一句话导读
大模型既会思考又会调用工具，Agent范式基础
论文信息
| 英文原名 | ReAct: Synergizing Reasoning and Acting in Language Models |
| 中文常用名 | ReAct（推理-行动智能体） |
| 作者 | Yao, Zhao, Yu, et al. |
| 发表年份 | 2023 |
| 出处 / 获取 | arXiv:2210.03629 |
| 所属专题 | AI Agent |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：大语言模型既能推理（CoT）又能调用工具/与环境交互（如搜索、执行代码），但此前方法要么只推理不行动、要么只行动不推理。能否让模型”边思考边行动”，在复杂环境中自主完成任务？
二、核心创新：ReAct 提出”推理+行动交替”的智能体框架：模型的每一步输出由”思考（Thought，语言推理）→行动（Action，调用工具/API）→观察（Observation，环境反馈）”循环组成，让推理引导行动、行动结果反馈推理，形成闭环。该框架将”规划（CoT 思想）”与”执行（工具调用）”统一。
三、关键技术细节：① 使用少量示例（few-shot）展示”思考-行动-观察”交替格式；② 在问答（HotpotQA）、事实核查（Fever）、互动决策（ALFWorld 家居、WebShop 购物）四类任务验证；③ 相比纯 CoT（只推理不行动）与纯 Act（只行动不推理），ReAct 在需要外部知识的任务上大幅领先，且错误更少、可解释性更强；④ 为模型提供”搜索”工具即可显著缓解知识截止与幻觉问题。
影响与后续发展
ReAct 奠定了”LLM Agent”的标准范式，是当前 AI Agent（智能体）应用（联网搜索问答、自动编程、浏览器代理等）的直接鼻祖；其”思考-行动-观察”循环成为 Agent 框架（LangChain、AutoGPT 等）的核心模式。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
ReAct: We propose a framework that interleaves reasoning traces and task-specific actions in an alternating manner, allowing language models to both reason about the task and act in the environment. ReAct outperforms imitation and reinforcement learning methods on a diverse set of tasks, and it improves interpretability and trustworthiness by making the reasoning process explicit.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。