1.ReAct在ReAct范式诞生之前主流方法可以大致分为两类“纯思考型”和“纯行动型”。前者只思考不行动后者只行动不思考。ReActReasoning Acting打破了这种割裂将思考Thought和行动Action紧密结合让智能体边想边做动态调整。ReAct的工作流程是一个不断循环的Thought → Action → Observation闭环Thought思考LLM分析当前状态决定下一步该做什么Action行动调用外部工具如搜索引擎、API执行具体操作Observation观察获取工具返回的结果作为下一轮思考的输入智能体将不断重复这个循环将新的观察结果追加到历史记录中直到它在Thought中认为已经找到了最终答案。这个过程形成了一个强大的协同效应推理使得行动更具目的性而行动则为推理提供了事实依据。实现要点在第四章的实践中ReAct智能体主要利用搜索引擎来回答自身知识库无法覆盖的实时性问题。实现过程中需要封装LLM客户端提供统一的think方法调用大模型定义工具函数如基于SerpApi的网页搜索工具设计系统Prompt告诉模型有哪些工具可用、输出格式要求解析模型输出用正则表达式从模型响应中提取Thought和Action2.Plan-And-Solve核心思想如果说ReAct是“边想边做”那么Plan-and-Solve就是“三思而后行”。这种范式将任务处理分为两个清晰的阶段Plan规划阶段智能体首先生成一个完整的、分步骤的、结构化的行动计划Solve执行阶段严格按照计划逐一解决问题与ReAct的“边走边看”不同Plan-and-Solve在前期投入更多思考生成完整的任务分解方案后再执行。这种前期投入看似增加了延迟但对于逻辑路径确定的任务反而能大幅提升成功率。实现要点在第四章的实践中Plan-and-Solve智能体被用来解决一道需要多步推理的数学应用题。例如计算三天分别卖出的苹果数再求和——规划器会生成清晰的四个步骤每个步骤的输出直接成为下一步的输入形成完整的数据流。实现的关键在于确保计划的可执行性和结构性——不仅要正确分解任务还要保证每个步骤的输出能够作为后续步骤的有效输入。3.Reflection核心思想前两种范式本质上都是一次性执行——智能体输出答案后任务就结束了。而Reflection引入了事后校正循环让智能体能够像人类一样“审视”自己的工作并不断改进。Reflection的工作流程是“执行 → 反思 → 优化”的迭代循环执行阶段生成初始解决方案反思阶段扮演“严格评审员”的角色指出问题并提出改进方向优化阶段根据反思反馈生成改进版本这个循环可以重复多次直到反思认为无需进一步改进。实现要点在第四章的实践中Reflection智能体被用来解决“查找一定范围内的素数”这一问题——从时间复杂度O(n√n)的低效算法通过反思优化为使用埃拉托斯特尼筛法的高效版本。Reflection的核心机制构建了一个临时的“短期记忆”——整个“执行-反思-优化”的轨迹形成了一个宝贵的经验记录智能体不仅知道最终答案还记得自己是如何从有缺陷的初稿迭代到最终版本的。