ReAct 让大模型像人一样「想一步、做一步、看一眼结果，再想下一步」。它不需要重新训练模型，只要在提示词里给几个示范，模型就能一边推理、一边查资料或操作环境。
今天几乎所有 AI Agent 的工作循环，都能在这篇论文里找到原型。
原文：ReAct: Synergizing Reasoning and Acting in Language Models（2022 年 10 月发布）
作者：姚顺雨（Shunyu Yao）等，普林斯顿大学与 Google Research。
第一作者当时是普林斯顿的博士生，这项工作是他在 Google 实习期间完成的。
先看看人是怎么做事的
周末你想带爸妈出去吃顿饭，脑子里大概是这样转的：
- 想：爸妈不吃辣，最好离家近一点。
- 做：打开地图，搜「附近 粤菜」。
- 看：评分最高那家，周末要排两个小时队。
- 想：排队太久了，换一家能提前订位的。
- 做：给第二家打电话。
- 看：订到了，晚上六点。
- 想：好，搞定。
这个过程里，「想」和「做」是交替进行的：想清楚了才知道该做什么，做了之后看到新情况，又会改变接下来的想法。没人会坐在沙发上光靠想就把餐厅订好，也没人会闭着眼睛把手机上的按钮挨个点一遍。
这件事对人来说再自然不过。但在 2022 年，大模型还不会这样做事。
像这样自己想、自己动手、看了结果再想的 AI 助手，今天有个名字：Agent，中文叫智能体。开头说的「今天几乎所有 AI Agent」，指的就是它。
一、2022 年的大模型
当时研究者让大模型解决复杂问题，大致有两条路，各有各的毛病。
偏科一：只会想，不会查
前面讲过「思维链」（Chain-of-Thought，简称 CoT）：
让模型先把推理步骤写出来，再给答案。这一招让模型做数学题、逻辑题的能力明显提升。
但思维链有个根本问题：它是闭卷考试，所有知识都来自训练时记住的东西。
记错了、记混了，或者知识已经过时了，它都没办法发现，只会顺着错误的前提一本正经地推下去。
前面一步错，后面步步错。这就是常说的「幻觉」和「错误传递」。
偏科二：只会做，不会想
另一条路是让模型直接输出动作：
搜索什么、点击哪里、拿起什么东西。模型像一个跑腿的，终于能和外部世界打交道了。
可它只跑腿、不动脑：不会拆解目标，不记得自己做到了哪一步，
结果和预期不一样时也不会调整计划。
论文里有个例子。模型在一个文字版的家务游戏里找胡椒瓶，走到水槽边，环境已经告诉它这里没有胡椒瓶，它还是一遍遍地尝试「从水槽拿起胡椒瓶」，原地打转。
一个会想不会查，一个会查不会想。ReAct 要做的，就是把两者合起来。
这里有个问题：模型只会写字，它怎么「搜索」「拿起胡椒瓶」？
答案是旁边有个程序替它动手。模型写出一行约定好格式的字，比如「搜索[苹果遥控器]」；程序认出这行字，真的去搜，再把搜到的内容贴回给模型看。
下命令的是模型，动手的是程序。文末选修部分的代码，就是这个程序。
二、核心：把 ”想“ 也当成一种动作
ReAct 这个名字来自 Reasoning（推理） + Acting（行动）
做法很简单：在模型原本能做的动作（搜索、点击、拿东西……）之外
再加一种特殊的动作——说出自己的想法。
这个动作不改变外部世界，也不触发任何工具，只是把想法写在「草稿纸」上。
但写下来的想法会留在上下文里，帮模型理清楚：
我现在知道了什么？还缺什么？下一步该做什么？
上下文，就是模型写下一个字时能看到的全部文字：提示词、题目，还有它自己前面写过的东西。
前面讲过，模型每次只算下一个 token，算的时候看着前面所有的文字。它没有另一个「脑子里记着」的地方：没写出来的想法，下一步就看不到了。
所以「说出想法」虽然不碰外部世界，却很管用。开头订餐厅时那句「排队太久了，换一家」，写下来，下一步一眼就能看到。
于是，模型解题的过程变成了三种内容交替出现：
| 环节 | 谁来写 | 作用 |
|---|---|---|
| 思考（Thought） | 模型 | 拆解问题、总结已知信息、决定下一步，发现不对劲时调整计划 |
| 行动（Action） | 模型 | 调用工具，比如搜索一个词条 |
| 观察（Observation） | 外部环境 | 工具返回的结果，比如搜到的那段文字 |
思考 → 行动 → 观察 → 思考 → 行动 → 观察 → …… → 给出答案
说白了，想，是为了更好地做；做，是为了更好地想。
思考帮模型制定和调整行动计划，行动带回来的真实信息又让思考有据可依，不再凭空编造。
这样一圈圈转下来，模型眼前的文字越积越长。每一轮，模型接着写「思考」和「行动」；程序执行行动，把结果作为「观察」贴到后面；下一轮，模型看着这一整段接着写：
注意「观察」那一截不是模型写的。这正是 ReAct 不瞎编的原因：事实来自程序贴回来的结果，不是模型自己想出来的。
还有最关键的一点：ReAct 不需要训练模型。
研究者只是在提示词里放了几个人工写好的示范（问答任务里只有 3～6 个）。
示范里，人把自己解题时的想法和动作一条条写下来。大模型看了这几个例子，就学会了照着这个格式去解新问题。
几个示范为什么就够？前面讲过，语言模型做的事就是接着往下写。它在训练里见过海量文字，很会「照着前面的样子写」。
提示词大概长这样（示意）：
请按「思考、行动、观察」的格式解题。行动只能是：搜索[词条]、查找[关键词]、完成[答案]。
问题：（示范题 1）
思考 1：……
行动 1：搜索[……]
观察 1：……
……
行动 3：完成[……]
（再放几道示范题）
问题：（新题）