ReAct Loop/ ReAct循环模式

ReAct（Reasoning + Acting）是一种让AI Agent在「思考」和「行动」之间交替循环的架构模式。Agent先推理当前状态和目标之间的差距，然后执行工具调用获取新信息，再根据结果继续推理，直到完成任务。它是几乎所有现代Agent框架的底层设计模式。

ReAct的核心思想源自2023年 Google 与 Princeton 联合发表的论文。它将推理（Reasoning）和行动（Acting）交替进行，形成「观察→思考→行动→观察」的循环：

1. 思考（Thought）：Agent分析当前状态，规划下一步需要做什么

1. 行动（Action）：执行一个工具调用（搜索、计算器、API等）

1. 观察（Observation）：获取工具调用的结果反馈

1. 循环：基于新的观察再次思考，直到任务完成

相比传统的Chain-of-Thought（只思考不行动），ReAct让Agent能主动获取外部信息，大大扩展了能力边界。

ReAct循环的实现通常包含三个核心组件：

• 推理引擎（LLM）：负责生成思考和决策

• 工具注册表：管理Agent可调用的外部工具列表

• 循环控制器：管理思考→行动→观察的循环流程

在实际框架中（LangChain、AutoGen、Hermes Agent等），ReAct循环通常由框架内置实现，开发者只需要注册工具和定义提示词即可。

1. 无限循环风险：ReAct Agent可能陷入思考-行动的无限循环。解决方案：设置最大迭代次数（如10轮），超时则强制终止。

1. Token消耗大：每次循环都会消耗大量Token。优化策略：精简推理步骤，缓存已获取的信息，避免重复搜索。

1. 推理质量依赖模型：弱模型在复杂推理场景下容易出错。建议使用强模型（如DeepSeek V4 Pro、Claude Sonnet等）作为推理引擎。

• 论文：《ReAct: Synergizing Reasoning and Acting in Language Models》(2023)

• LangChain Agent 文档

• Hermes Agent 源码中的 tool_loop 实现