ReAct（Reasoning + Action）是一种让大语言模型（LLM）自主完成任务的核心架构。与传统直接生成答案的模式不同，ReAct 要求代理交替执行以下两步：
推理（Reasoning）：分析当前状态，规划下一步行动
行动（Action）：调用工具（Tools）获取信息或执行操作
典型案例：
用户问：“特斯拉当前股价是多少？相比去年同期涨了多少百分比？”传统 LLM 可能直接编造数据，而 ReAct 代理会：
调用金融API获取当前股价
查询历史数据库找出去年同期股价
使用计算工具执行百分比运算
这与人类解决问题的方式类似：
我们思考该做什么
执行某项操作（例如查找某些内容或进行计算），
观察结果
然后将其融入到我们的下一个想法中。
工具是实现行动的关键，需满足 3 个设计原则：
原子性：每个工具只做一件事（如 Calculator 仅负责计算）
强契约：明确定义输入/输出格式（如 JSON Schema）
安全性：隔离高风险操作（如数据库写入需权限控制）
from math import sqrt
tools = [
Tool(
name="GoogleSearch",
func=search_api, # 对接搜索引擎API
description="获取实时信息，输入：搜索关键词"
),
Tool(
name="Calculator",
func=lambda x: ｅｖａｌ(x), # 注意：生产环境需替换为安全计算库
description="执行数学计算，输入：数学表达式"
),
Tool(
name="DataPlotter",
func=generate_chart, # 数据可视化工具
description="生成折线图，输入：{x:[1,2,3], y:[4,5,6]}"
)
]你是一个自主代理，请通过以下步骤解决问题：
1. 思考：分析当前需要什么信息
2. 行动：调用工具获取信息（格式：ACTION: 工具名(参数)）
3. 观察：记录工具返回结果
4. 循环直到得出最终答案
当前任务：{query}
历史记录：
{memory}
请输出下一步指令：思考：需要知道2024年奥斯卡最佳影片
ACTION: GoogleSearch("2024 Oscar best picture winner")
观察："《奥本海默》获得2024年奥斯卡最佳影片"
思考：用户还要求主演名单
ACTION: GoogleSearch("Oppenheimer cast")
观察："基里安·墨菲、艾米莉·布朗特..."
思考：答案已完整
FINAL_ANSWER: 最佳影片是《奥本海默》，主演包括...原生实现后需考虑五大增强方向：
短路机制：当工具返回明确结果时跳过冗余思考
if "答案直接可见" in tool_result: return tool_result # 提前终止循环
错误回退：工具调用失败时尝试替代方案
令牌压缩：用摘要替代完整历史记录减少 token 消耗
动态工具加载：运行时按需加载工具降低内存占用
置信度阈值：低置信度时要求人工干预
推荐策略：用原生实现理解原理 → 在 CrewAI 中实践复杂任务 → 定制框架扩展点
