ReAct
分类: 高效推理与部署
ReAct
定义
ReAct（Reasoning + Acting）是 Yao et al. (2023) 提出的一种 LLM prompting 范式，交替生成推理链（Thought）和外部动作（Action），使模型在多步推理过程中能与外部工具/环境交互，克服了纯 Chain-of-Thought 无法获取实时信息的局限
核心要点
交替推理-行动循环：Thought → Action → Observation → Thought → …，直到得出最终答案
Thought：模型生成自然语言推理步骤（类似 CoT），用于分解问题、跟踪进度、制定计划
Action：模型调用外部工具（搜索引擎、计算器、API），获得 Observation 作为新输入
与纯 CoT 的区别：CoT 仅在模型内部推理，容易”幻觉”事实错误；ReAct 可以通过 Action 获取真实信息进行 grounding
与纯 Act 的区别：没有 Thought 的纯行动模式缺乏规划能力，容易陷入低效探索
ReAct 在知识密集型任务（HotpotQA、FEVER）和决策任务（ALFWorld、WebShop）上均优于单独使用 CoT 或 Act
是当前 LLM Agent 框架（LangChain、AutoGPT 等）的理论基础之一
CS224N 讨论 LLM 作为 Agent 时的核心范式
代表工作
ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2023)
Toolformer: Language Models Can Teach Themselves to Use Tools (Schick et al., 2023)