ReAct模式（ReAct pattern）
/ ree-AKT PAT-urn /
ReAct是一份簡單的配方，讓AI智能體在行動前先把想法說出來，等看到結果後再接著想。這名字是「Reason＋Act」（推理＋行動）的縮寫。模型不直接跳到動作，而是交替進行：一段思考（「我得查出這部電影是誰導演的，那就該搜一下」）、一個動作（搜尋這部電影）、一條觀察（搜到的結果）。然後它根據剛學到的東西再想一遍，循環繼續，直到它能給出最終答案。
這個洞見出自2022年的一篇研究論文：把推理和真實動作交錯進行，比單用其中任何一種都更好。純推理會讓模型自說自話，得出一個自信卻錯誤、又無從核對的答案；純動作——不加反思地呼叫工具——則讓它沒有計劃地亂抓一氣。把兩者編織在一起，意味著每個動作都立足於一條說明了的理由，而世界給出的每條新事實，又能糾正下一個念頭。那些寫出來的思考，還讓人類讀懂、除錯智能體的行為變得容易得多。
要說清楚ReAct是什麼、不是什麼。它是一種提示與編排的模式，不是一種新模型，也不保證正確——所謂「推理」依然是模型在生成看似合理的文字，可能是錯的，甚至是事後編出來的。它可能無限循環、反覆重試同一個失敗的動作、或一路推理進死胡同。它之所以有用，是因為加進了結構和來自現實的反饋，而不是因為它讓模型真正理解了什麼；請把那些可見的「思考」當作一份有用的軌跡，而不是智能體「心裡有數」的證據。
問題：「2016年奧運會舉辦城市的人口是多少？」思考：我得先知道主辦城市。動作：search(「2016年奧運會主辦城市」)。觀察：里約熱內盧。思考：現在要查里約的人口。動作：search(「里約熱內盧人口」)。觀察：約670萬。思考：我有答案了。最終答案：約670萬。
思考→動作→觀察，循環往復：推理與行動互相餵養。
寫出來的那段「思考」，是模型生成的一段說辭，並不是窺見某個真實推理過程的窗口。它常能提升表現、也很利於除錯，但一段流暢、看上去合情合理的思考，照樣可能跟著一個錯誤的動作——千萬別把這段旁白當成保證。