基于本文回答

播面 播面

文图音视，全方位拆解八股文
0
评论
请从左侧选择一个分类

什么是 ReAct 框架？它是如何结合推理（Reasoning）和行动（Acting）的？

知识点图片

ReAct（Reasoning + Acting）是一个由普林斯顿大学和 Google 在 2022 年提出的框架（论文：《ReAct: Synergizing Reasoning and Acting in Language Models》）。

简单来说，ReAct 是一种让大语言模型（LLM）既能“思考”又能“做事”的提示工程（Prompt Engineering）范式。 它通过让模型交替生成推理轨迹（Reasoning Traces）和任务行动（Task-specific Actions），从而解决复杂问题。

以下是关于 ReAct 框架的详细解析，以及它是如何结合推理与行动的。

1. 核心理念：打破“只动脑”或“只动手”的局限

在 ReAct 出现之前，LLM 主要有两种使用模式，但都有缺陷：

  1. 仅推理（Reasoning Only）： 例如思维链（Chain-of-Thought, CoT）。模型会说“让我们一步步思考”，逻辑很好，但容易产生幻觉（胡编乱造事实），因为它无法获取外部实时信息。
  2. 仅行动（Acting Only）： 模型被训练用来调用 API（如 WebGPT）。它能获取信息，但缺乏规划能力。如果第一步搜索失败，它往往不知道该如何调整策略，容易陷入死循环。

ReAct 的结合方式：
ReAct 将两者结合，形成一个循环：思考 →\rightarrow 行动 →\rightarrow 观察 →\rightarrow 再思考。

2. ReAct 的工作流程（How it works）

ReAct 框架通过一个三元组循环来结合推理和行动：

  1. Thought（思考/推理）： 模型用自然语言分析当前的情况，决定下一步该做什么。这相当于人类的“内心独白”。
  2. Action（行动）： 模型生成具体的指令（例如调用搜索引擎、使用计算器、查询数据库）。
  3. Observation（观察）： 外部工具执行 Action 后返回的结果（例如搜索到的文本片段、计算结果）。这个结果会被喂回给模型，作为下一次思考的依据。

具体的交互步骤：

  1. 用户提问： “现在的美国总统今年多大岁数？”
  2. Thought 1： 我需要先查出现在的美国总统是谁，然后再查他的出生日期，最后计算年龄。
  3. Action 1： Search["current US President"]
  4. Observation 1： （来自 Google 的结果）Joe Biden is the 46th president...
  5. Thought 2： 好的，总统是 Joe Biden。现在我需要查他的出生日期。
  6. Action 2： Search["Joe Biden birthday"]
  7. Observation 2： （来自 Google 的结果）November 20, 1942.
  8. Thought 3： 他出生于 1942 年。现在是 2023 年（假设当前时间）。我需要计算 2023 减去 1942。
  9. Action 3： Calculator[2023 - 1942]
  10. Observation 3： 81
  11. Thought 4： 我已经有了答案。
  12. Final Answer： Joe Biden 今年 81 岁。

3. 为什么这种结合如此强大？（Synergy）

ReAct 的精髓在于推理和行动是相互辅助的：

  • 推理辅助行动（Reasoning helps Acting）：

    • 动态规划： 模型在行动前会制定计划。
    • 错误处理： 如果 Action 的结果（Observation）显示搜索不到内容，模型会在下一个 Thought 中分析原因（“搜索词太模糊了”），并调整策略（“尝试另一个关键词”），而不是盲目重复。
    • 消除歧义： 模型可以判断何时信息足够，何时需要更多信息。

  • 行动辅助推理（Acting helps Reasoning）：

    • 减少幻觉： 推理不再是基于模型内部可能过时的记忆，而是基于 Observation 返回的真实、实时的外部信息（Grounding）。
    • 扩展能力： 模型不需要记住所有数学公式或实时新闻，它只需要知道如何使用工具去获取这些信息。

4. 形象对比

为了理解 ReAct 的优势，我们可以对比一下三种模式处理同一个问题：“那个发明了 iPod 的公司的现任 CEO 是谁？”

  • 标准 LLM（直接回答）：
    • 可能回答： “蒂姆·库克。”（正确，但如果问的是冷门知识，容易瞎编）
  • 思维链 CoT（只推理）：
    • 思考： “发明 iPod 的是苹果公司。苹果公司的创始人是乔布斯，后来传给了蒂姆·库克。所以是蒂姆·库克。”（逻辑通顺，但如果库克昨天刚辞职，模型不知道，因为它无法联网更新信息）。
  • ReAct（推理 + 行动）：
    • Thought: 我需要先确认谁发明了 iPod。
    • Action: 搜索“iPod inventor company”。
    • Observation: 结果显示是 Apple Inc.。
    • Thought: 好的，是 Apple。现在我需要查 Apple 的现任 CEO。
    • Action: 搜索“Apple Inc current CEO”。
    • Observation: 结果显示 Tim Cook。
    • Thought: 确认是 Tim Cook。
    • Answer: 蒂姆·库克。

5. 总结

ReAct 框架是现代 AI Agent（智能体）构建的基石。像 LangChain 这样的开发库，其核心的 Agent 实现机制大多就是基于 ReAct 模式。

它通过“显式的推理轨迹”（让模型把想法写出来）和“工具使用能力”（让模型与世界交互）的紧密交织，使大模型从一个单纯的“聊天机器人”进化为了一个能够解决复杂问题、具备自主纠错能力的“智能助手”。

00:00
00:00