ReAct模式（ReAct pattern）
/ ree-AKT PAT-urn /
ReAct是一份简单的配方，让AI智能体在行动前先把想法说出来，等看到结果后再接着想。这名字是「Reason＋Act」（推理＋行动）的缩写。模型不直接跳到动作，而是交替进行：一段思考（「我得查出这部电影是谁导演的，那就该搜一下」）、一个动作（搜索这部电影）、一条观察（搜到的结果）。然后它根据刚学到的东西再想一遍，循环继续，直到它能给出最终答案。
这个洞见出自2022年的一篇研究论文：把推理和真实动作交错进行，比单用其中任何一种都更好。纯推理会让模型自说自话，得出一个自信却错误、又无从核对的答案；纯动作——不加反思地调用工具——则让它没有计划地乱抓一气。把两者编织在一起，意味着每个动作都立足于一条说明了的理由，而世界给出的每条新事实，又能纠正下一个念头。那些写出来的思考，还让人类读懂、调试智能体的行为变得容易得多。
要说清楚ReAct是什么、不是什么。它是一种提示与编排的模式，不是一种新模型，也不保证正确——所谓「推理」依然是模型在生成看似合理的文字，可能是错的，甚至是事后编出来的。它可能无限循环、反复重试同一个失败的动作、或一路推理进死胡同。它之所以有用，是因为加进了结构和来自现实的反馈，而不是因为它让模型真正理解了什么；请把那些可见的「思考」当作一份有用的轨迹，而不是智能体「心里有数」的证据。
问题：「2016年奥运会举办城市的人口是多少？」思考：我得先知道主办城市。动作：search(「2016年奥运会主办城市」)。观察：里约热内卢。思考：现在要查里约的人口。动作：search(「里约热内卢人口」)。观察：约670万。思考：我有答案了。最终答案：约670万。
思考→动作→观察，循环往复：推理与行动互相喂养。
写出来的那段「思考」，是模型生成的一段说辞，并不是窥见某个真实推理过程的窗口。它常能提升表现、也很利于调试，但一段流畅、看上去合情合理的思考，照样可能跟着一个错误的动作——千万别把这段旁白当成保证。