在當前由大型語言模型（LLM）驅動的應用開發浪潮中，如何賦予模型超越文本生成、具備可靠推理與行動的能力，已成為衡量其智能水平的關鍵分野。正是在這一背景下，Langchain 框架中的 ReAct（Reasoning and Acting）機制應運而生，并迅速成為業界矚目的焦點。

ReAct 不僅僅是一種技術實現，更是一種富有遠見的智能代理（Agent）設計哲學。

1. 為什么需要 Agent 架構？

眾所周知，要理解為何需要 Agent 架構，首先必須認識到大型語言模型（LLM）本身的核心能力與局限。

從本質上講，LLM 是一個基于概率的文本生成引擎，在其龐大的訓練數據范圍內，可以出色地完成理解、總結、翻譯和創作等任務。然而，其局限性也同樣顯著，具體體現在如下幾個核心方面：

(1) 知識邊界的禁錮

LLM 的知識被凍結在最后一次訓練的時間點。它無法訪問實時信息、內部數據庫或專有 API。

(2) 缺乏行動能力

LLM 只能生成文本，卻無法執行操作，如發送電子郵件、調用 API、執行代碼或查詢數據庫。因此，我們可以認為它是一個“思考者”，而非“行動者”。

(3) 無狀態性

大多數 LLM 的 API 調用是無狀態的，不擅長存儲或保留之前的交互，除非將整個對話歷史作為上下文傳入，但這在長流程、復雜任務中會變得低效且有上下文長度限制。

(4) 推理的脆弱性

對于需要多步驟、依賴中間結果的復雜任務，單純依靠一次性的 Prompt Engineering（提示工程）生成的“思維鏈”（Chain of Thought）非常脆弱。一旦中間步驟出錯，整個推理鏈條就會崩潰，缺乏糾錯和動態調整的能力。

因此，這些局限性意味著，如果僅將 LLM 作為一個獨立的組件，只能被動地響應查詢，無法主動地、有目的地去解決問題。這正是 Agent 架構出現的根本原因。

作為一種將 LLM 從“引擎” 上升至 “系統”的架構驅動，Agent 架構并非一個具體的算法，而是一種“軟件設計模式”和“系統架構思想”。其不僅僅是“讓 LLM 使用工具”，而是一種系統化的方法論，旨在：

• 擴展 LLM 的能力邊界，使其能夠與現實世界進行實時、有意義的交互。
• 增強 LLM 的魯棒性，通過反饋循環和結構化推理來處理復雜和不確定的任務。
• 提供一個工程化的框架，使得開發者能夠以模塊化、可擴展和可維護的方式構建復雜的智能系統。

在 LangChain 的語境下，Agent 架構將 LLM 從一個強大的、但被動的語言處理單元（LPU），轉變為一個能夠自主規劃和執行任務的中央處理單元（CPU），是構建下一代 AI Native 應用的核心基石。

2. ReAct （Reason and Act）設計哲學：模仿人類認知方式

其實，從本質上而言，ReAct 的設計哲學深刻地模仿了人類解決問題的過程：我們并非在頭腦中構思好每一個完美無缺的步驟后才開始行動，而是在一個“思考 -> 行動 -> 觀察 -> 修正思考”的迭代循環中不斷前進，具體體現如下：

(1) Reason - 推理

這是對當前任務狀態的內部審視和規劃。例如：“我需要知道今天香港的天氣。我應該使用一個天氣查詢工具。” 這一步對應了 LLM 生成的 “Thought”。

(2) Act - 行動

這是基于推理結果，與外部世界進行交互的具體步驟。例如：調用天氣 API search_weather(city="Singapore")。這一步對應了 LLM 生成的 “Action”。

(3) Observation - 觀測

這是行動之后從外部世界獲得的反饋。例如：API 返回結果 {"temperature": "31°C", "condition": "Cloudy"}。這是系統提供給模型的 “Observation”。

上述 “Thought -> Action -> Observation”的循環構成了 ReAct 架構的最小原子操作，也是其區別于其他模式的根本特征。它將一個宏大的、復雜的任務，解構成了一系列微觀的、可管理、可驗證的認知-行動循環。

從軟件架構的角度看，ReAct 并非一個單一的類或函數，而是一個由多個松耦合組件構成的協作系統。具體涉及如下：

(1) 編排器 (Orchestrator - AgentExecutor)

作為整個 ReAct 循環的主控引擎和狀態機，編排器負責驅動數據在各個組件之間流動，管理循環的生命周期（開始、繼續、終止），并執行路由邏輯（是調用工具還是輸出最終答案）。這是 ReAct 架構的“心跳”，也是“靈魂”所在。

(2) 決策引擎 (Decision Engine - LLM)

作為系統的認知核心。決策引擎不負責執行，只負責決策。在 ReAct 架構中，決策引擎的任務被嚴格限定為：接收當前狀態的完整上下文，并依據“認知框架”的指示，生成下一步的 Thought 和 Action。

(3) 認知框架 (Cognitive Framework - Prompt Template)

作為 ReAct 架構的核心“固件”或“BIOS”，這是一個精心設計的、高度結構化的提示模板，其作用是約束 LLM 的行為，強制其輸出符合 Thought/Action 格式的文本，從而以確保 LLM 能夠穩定地在 ReAct 循環中工作的最關鍵組件。

相對于其他組件而言，認知框架則定義了 LLM 的“世界觀”和“行事準則”，對于事件的維護及管理極為重要。

(4) 執行層 (Execution Layer - Tools)

作為系統的感知和行動單元，每個工具都是一個標準化的、封裝良好的函數或類，代表一項原子能力（如 API調用、數據庫查詢）。工具的描述（description）至關重要，它構成了工具與決策引擎之間的“API 契約”，LLM 正是根據這個描述來決定使用哪個工具。

執行層的架構意義在于 實現了決策與執行的徹底解耦。我們可以隨時增刪或替換工具，而無需改動編排器或認知框架，這使得系統具有極強的可擴展性。

(5) 輸出解析器 (Output Parser)

作為協議轉換器，輸出解析器負責將 LLM 生成的、非結構化的自然語言文本，轉換為編排器可以理解和執行的、結構化的數據對象（如 AgentAction 或 AgentFinish）。它彌合了 LLM 的“軟”輸出與系統“硬”邏輯之間的鴻溝。

(6) 狀態暫存器 (State Scratchpad)

作為 ReAct 循環的短期記憶，狀態暫存器在每一次循環中動態構建，記錄了從開始到當前步驟的所有 (Action, Observation) 對。這個“暫存器”會被注入到認知框架中，為 LLM 提供決策所需的全部歷史上下文，讓它知道“我從哪里來”以及“我剛剛做了什么，結果如何”。

部分代碼示例，可參考如下：

class Agent(BaseSingleActionAgent):
    """Agent that calls the language model and deciding the action.
    This is driven by a LLMChain. The prompt in the LLMChain MUST include
    a variable called "agent_scratchpad" where the agent can put its
    intermediary work.
    """
    llm_chain: LLMChain
    """LLMChain to use for agent."""
    output_parser: AgentOutputParser
    """Output parser to use for agent."""
    allowed_tools: Optional[list[str]] = None
    """Allowed tools for the agent. If None, all tools are allowed."""
    ...
     def plan(
        self,
        intermediate_steps: list[tuple[AgentAction, str]],
        callbacks: Callbacks = None,
        **kwargs: Any,
    ) -> Union[AgentAction, AgentFinish]:
        """Given input, decided what to do.
     ...

3. 如何看待 ReAct 架構的優劣勢 ？

其實，基于上述的架構解析，我們可以看到：ReAct 不僅僅是一種“讓 LLM 用工具”的技術，更是一種深刻的架構范式。它將 LLM 的角色從一個被動的、全知的“知識庫”轉變為一個主動的、探索性的“推理代理”（Reasoning Agent）。

在架構層面，ReAct 的核心貢獻是定義了一套標準的組件、協議和控制流，用于構建一個能夠將 LLM 的認知能力與外部世界的真實性相結合的反饋控制系統。以犧牲部分性能為代價，換取了前所未有的魯棒性、靈活性和任務解決能力的泛化，為構建更強大、更可靠的 AI 應用奠定了堅實的架構基礎。

這種設計賦予了基于 LLM 的應用前所未有的可靠性與透明度。通過顯式化的推理步驟，開發者和用戶可以清晰地洞察模型的決策邏輯，極大地提升了系統的可解釋性和可信度。更重要的是，通過與外部工具的協同，ReAct 機制有效突破了大型語言模型固有的知識局限性和“幻覺”問題，使其能夠獲取并處理實時、動態的信息，從而在復雜、多跳的真實世界任務中展現出卓越的性能。

因此，深入理解并應用 Langchain ReAct 機制，對于任何希望構建真正智能、可靠且功能強大的語言模型應用的開發者而言，都具有至關重要的戰略意義。

Happy Coding ~

Reference ：[1]    https://www.langchain.com

Adiós !