普通 AI 是一问一答的“复读机”，Agent 是能自我迭代的“永动机”。这其中的差别，就在于 Agent 拥有一个持续运转的“认知循环”——ReAct。
一、从“你问我答”到“自我迭代”
上一讲我们说到，Agent 是有了手脚和记忆的 LLM。但光有零部件还不行，这些零部件该怎么协同工作呢？
- 普通对话：你说“帮我写封邮件”，AI“刷刷刷”写完了，任务结束。这是一个线性的过程。
- Agent 工作：你说“帮我分析竞品并写份报告”。Agent 不会直接扔给你一篇报告，它会先自言自语：“嗯，我要写报告，首先得有数据。第一步，我得去搜索竞品信息。”
笔记中有一段话点明了本质：
普通对话，你问他答，一问一答就结束了。Agent 不一样，它有一个持续运转的结构。
二、核心机制：ReAct（Reasoning + Acting + Observing）
Agent 最核心的工作方式就是 ReAct。这不是一种新模型，而是一套标准化的 Agent 执行流程框架。
它由三个核心动作组成，不断循环：
| 动作 | 英文 | 说明 |
|---|---|---|
| 思考 | Reason | 我要做什么？下一步该干什么？ |
| 行动 | Act | 调用工具去执行具体操作 |
| 观察 | Observe | 看看工具返回了什么结果 |
原文定义：
ReAct（Reasoning+Act+Observe）是一套标准Agent执行流程/Agent工作框架，不是Langchain那种大型开发库，是Agent通用的循环工作标准
每一轮结束后，带着观察到的结果，再次回到 Reason，如此往复，直到任务完成，或者 Agent 自己判断终止（超出循环次数、token 上限、相同结果次数过多或任务失败）。
三、实战拆解：Agent 写竞品报告的全过程
我们用笔记中“竞品分析报告”的例子，把 ReAct 模式拆开了看：
-
第 1 轮循环：
- Reason（思考） ：用户要竞品报告，但我手里没数据。我需要先搜索三家竞品的最新动态。
- Act（行动） ：调用“搜索工具（Search Tool）”，输入关键词“竞品 A 最新战略”。
- Observe（观察） ：工具返回了 100 页的搜索结果，信息量巨大。
- 第一轮结束。
-
第 2 轮循环：
- Reason（思考） ：虽然有信息了，但都是新闻稿，缺少具体的财务数据支撑论点。我需要找财报。
- Act（行动） ：调用“网页抓取工具”或“股市 API 工具”，去指定网址拉取数据。
- Observe（观察） ：拿到了三家公司的去年年报数据。
- 第二轮结束。
-
第 3 轮循环（可能还有第 4、5 轮） ：
- Reason：数据齐了，我可以开始撰写报告了。
- Act（行动） ：调用“文件写入工具（write_file）”，把内容写入
竞品分析.md。 - Observe：文件保存成功。
-
最终输出：
- 当所有工具调用完毕，数据收集充分后，Agent 在最后一轮不再调用工具，而是直接生成最终答案，把报告交还给我们。
四、决定 Agent 能力边界的关键：Tool Use
在整个 ReAct 循环中，最关键的动作就是 Act（行动） ，也就是 Tool Use（工具调用） 。
笔记里有一句话非常精辟：
工具是 Agent 的手和脚，没有工具，它只能在大脑里转，转完之后，还是只有文字。
工具决定了 Agent 能干什么：
| 工具类型 | 能力 |
|---|---|
| 搜索工具 | 上网查实时信息 |
| 代码执行器 | 运行代码、看结果 |
| 文件读写（I/O） | 读写本地文件 |
| 浏览器操作工具 | 模拟人点击网页（如 Manus） |
| API 调用工具 | 对接各种外部服务 |
笔记原文：
工具越多，Agent能干的事情越多。很多Agent产品，调用了很多工具，工具的覆盖范围直接决定Agent的能力边界，选择Agent的核心。
五、江湖地位：为什么说“文无第一，武无第二（Claude）”？
在 AI 编程助手领域，一直有“文无第一，武无第二”的说法。
意思是写诗作画各有千秋（文），但写代码、跑测试是有客观标准的（武）。目前业内公认编程能力最强的模型是 Claude（Anthropic） 系列，其配套的 Claude Code 更是把工程化验收机制（AI 自我测试） 做到了极致。
笔记原文：
Anthopice最牛逼的Agent企业，代码是最标准，又完善工程化验收机制的，ai测试agent
我们后续手写的 mini-cursor，正是向这些顶级 Coding Agent 致敬和学习的第一步。
六、总结
| 概念 | 含义 |
|---|---|
| ReAct | Agent 的标准执行框架：Reason → Act → Observe 循环 |
| Reason | LLM 根据当前上下文进行规划和推理 |
| Act | 调用 Tool 执行具体动作 |
| Observe | 接收工具执行结果，作为下一轮推理的输入 |
| Tool Use | 决定 Agent 能力边界的核心因素 |
下一篇，我们将迈入实战——用 LangChain 框架定义我们的第一个 Tool，并把 ReAct 循环用代码跑起来。
