前三讲我们搭建了 Agent 的基础骨架：能调用 API、能使用工具。但目前的 Agent 还有一个明显的短板——它只会“一步到位”。用户问什么，它就直接调用工具返回结果，缺乏中间的推理过程。现实世界的复杂任务往往需要多步推理。比如：“帮我查一下北京和上海的温差，然后告诉我哪个城市更适合穿短袖”“先搜索今天的新闻，然后总结成三条要点发邮件给我”这些任务需要 Agent先思考、再行动、观察结果、再思考、再行动——直到完成任务。这就是ReAct 模式 要解决的问题。一、什么是 ReAct 模式？ReAct 是Reason + Act（推理 + 行动） 的缩写，由 Google 和普林斯顿大学在 2022 年提出。它的核心理念是：让大模型在每一步都输出“思考过程”，然后再决定下一步行动。典型的 ReAct 循环包含三个要素：要素含义示例Thought（思考）模型分析当前状 第4讲：提示词模板与 ReAct 模式——让 Agent 学会“思考”再“行动”
前三讲我们搭建了 Agent 的基础骨架：能调用 API、能使用工具。但目前的 Agent 还有一个明显的短板——它只会“一步到位”。用户问什么，它就直接调用工具返回结果，缺乏中间的推理过程。现实世界的复杂任务往往需要多步推理。比如：“帮我查一下北京和上海的温差，然后告诉我哪个城市更适合穿短袖”“先搜索今天的新闻，然后总结成三条要点发邮件给我”这些任务需要 Agent先思考、再行动、观察结果、再思考、再行动——直到完成任务。这就是ReAct 模式 要解决的问题。一、什么是 ReAct 模式？ReAct 是Reason + Act（推理 + 行动） 的缩写，由 Google 和普林斯顿大学在 2022 年提出。它的核心理念是：让大模型在每一步都输出“思考过程”，然后再决定下一步行动。典型的 ReAct 循环包含三个要素：要素含义示例Thought（思考）模型分析当前状