1. 思考为行动导航：Thought 步骤让模型在行动前先理清思路，避免盲目操作
2. 行动更新知识：每次 Observation 为模型提供新信息，更新其对世界的认知
3. 错误可以被发现和纠正：如果某个行动结果出乎意料，模型可以在 Thought 中调整策略
4. 可解释性强：整个推理-行动过程是透明的，人类可以审查
   实验证明，在知识密集型任务（如 HotpotQA 多跳问答）和决策型任务（如 ALFWorld 家庭环境操作）中，ReAct 都显著优于纯 CoT 或纯行动方法。
   
   

1. 定义工具：用结构化格式（JSON Schema）描述工具的名称、功能和参数

 } } 

2. 模型决策：LLM 看到工具定义和用户请求，决定是否调用工具以及传入什么参数

} 

3. 执行并返回结果：程序执行工具，将结果返回给 LLM 继续处理
   这个流程将 LLM 的"语言理解和决策能力"与"外部系统的执行能力"优雅地结合在一起。
   3.3 工具调用的挑战
   工具调用看似简单，实际上有很多难点：
   ● 工具选择：当有几十个工具时，模型如何选对工具？
   ● 参数填写：模型可能填错参数类型或遗漏必要字段
   ● 错误处理：工具调用失败时，模型能否理解错误信息并重试？
   ● 多工具协同：复杂任务需要按正确顺序调用多个工具
   研究表明（arXiv:2401.07324），小参数量的 LLM 在工具调用方面相比大模型明显弱，这促使了多模型协同（Multi-LLM）架构的出现——用专门的小模型负责工具调用，大模型负责整体推理。
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   

1. 观察 Agent 在某任务上的常见错误
2. 用另一个 LLM 自动生成检查代码
3. 将检查代码嵌入执行环境，实时验证 Agent 的行动合法性
   这大幅降低了为新任务编写 Harness 的人工成本。
   
   

[Planner LLM] 接到任务 → 生成完整执行计划 [Executor LLM] 按计划逐步调用工具执行 [Verifier] 检查每步结果是否符合预期 

[Orchestrator Agent] 任务分发与协调 ├── [Research Agent] 负责信息收集 ├── [Code Agent] 负责代码编写 ├── [QA Agent] 负责测试验证 └── [Writer Agent] 负责报告撰写 

代表框架：AutoGen、CrewAI、LangGraph。

记忆类型 类比 实现方式 Sensory Memory 感官刺激 当前上下文窗口 Working Memory 工作记忆 中间变量、临时存储 Episodic Memory 情景记忆 向量数据库（记录历史对话/操作） Semantic Memory 语义记忆 知识图谱、长期知识库 

[Agent 行动] → [结果不符合预期] → [Reflection: 分析哪里出了问题] → [修正策略，重试] 

代表性工作：Reflexion（arXiv:2303.11366），让 Agent 将失败经验写入"记忆"，在后续尝试中避免同样的错误。

tools = [ DuckDuckGoSearchTool(), # 搜索工具 PythonREPLTool(), # 代码执行工具 ] 

llm = ChatOpenAI(model="gpt-4", temperature=0) 

agent = create_react_agent(llm=llm, tools=tools)

result = agent.invoke({ "input": "帮我查一下今年奥斯卡**影片，然后用 Python 统计片名的字符数" }) print(result) Agent 会自动执行： Thought: 我需要先搜索今年奥斯卡获奖信息 Action: DuckDuckGoSearch("2026 Oscar Best Picture winner") Observation: [搜索结果...] Thought: 找到了，片名是 xxx，现在计算字符数 Action: PythonREPL("print(len('xxx'))") Observation: 42 Thought: 任务完成 Final Answer: 今年奥斯卡**影片是 xxx，片名有 42 个字符 

1. ReAct 是基础：推理与行动的交织是 Agentic AI 的基本范式
2. 工具是能力的延伸：LLM 本身有局限，工具调用让它无所不能
3. 规范是安全的保障：没有约束的 Agent 是危险的，Harness 和 Spec 是工程化落地的必要条件
4. 组合是未来方向：Multi-Agent + Memory + Reflection 的组合，正在让 AI 具备真正意义上的"自主完成复杂任务"的能力

1. Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629
2. Plaat, A. et al. (2025). Agentic Large Language Models, a survey. arXiv:2503.23037
3. Verma, M. et al. (2024). On the Brittle Foundations of ReAct Prompting for Agentic LLMs. arXiv:2405.13966
4. Jiang, J. et al. (2024). KG-Agent: Autonomous Agent Framework for Complex Reasoning over KG. arXiv:2402.11163
5. Lou, X. et al. (2026). AutoHarness: Improving LLM Agents by Automatically Synthesizing a Code Harness. arXiv:2603.03329
6. Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366
7. Lee, Y. et al. (2026). AEMA: Verifiable Evaluation Framework for Trustworthy and Controlled Agentic LLM Systems. arXiv:2601.11903