提示技术系列（13）——ReAct

什么是提示技术？

        提示技术是实现提示工程目标的具体技术手段，是提示工程中的“工具库”。

什么又是提示工程？

        提示工程是指通过设计、优化和迭代输入到大语言模型（LLM）的提示（Prompt），系统性提升模型输出质量（如相关性、准确性、可控性）的实践领域。它是一个覆盖全流程的方法论，包括：

• 明确目标任务（如生成教学内容、问答、翻译）；
• 设计提示结构（如指令、上下文、示例）；
• 选择模型与参数（如温度、top_p）；
• 验证与迭代（根据输出调整提示）。

其核心是“通过工程化方法控制大语言模型（LLM）的行为”。

概念

        ReAct（Reasoning + Acting）是一种结合推理与行动的提示技术框架，旨在让大语言模型在复杂任务中，同时具备逻辑推理能力和外部工具/环境交互的能力。它通过动态生成推理链和行动指令，模拟人类的“思考-行动”循环，从而提升模型在多步骤任务重的表现。

核心思想：

• 推理（Reasoning）：模型生成中间推理步骤，解释当前状态、目标及下一步行动的依据。
• 行动（Acting）：模型调用外部工具（如搜索引擎、计算器、API）或执行特定操作（如提问、验证假设）以获取信息。
• 迭代循环：推理与行动交替进行，逐步逼近任务目标。

ReAct，类似于人类解决复杂问题时的“先思考再行动”模式。例如，在规划旅游时，你会先分析预算、时间（推理），然后查询机票、酒店价格（行动），再根据结果调整计划（推理），如此循环，直到结果满足需求。

概念图解

应用场景

1. 复杂任务规划：如规划为期五天的云南旅行等；
2. 财务分析：如分析公司年度财报等；
3. 科学研究助手：如论文研究、验证实验设计等；
4. 交互式系统：如聊天机器人、智能助手等；
5. 教育领域应用：如数学解题辅导，科学实验设计，编程教学等；
6. ……

案例实操

使用工具：扣子

实现方式：扣子智能体

完整智能体如下：

测试输入：

规划一次 5 天的云南旅行，预算 12000 元，出发地：广州，明天 2025 年 7 月 4 日出发

运行结果：

大家若有编程基础的话，可以参考下面的代码案例来实现与体验不同场景下使用 ReAct 提示。

代码实现ReAct提示

技术栈：Python；LangChain

代码引用包导入：

pip install langchain_community==0.3.26;
pip install langchain==0.3.26;

具体代码：

import os
import random
from typing import Dict

from dotenv import load_dotenv
from langchain.agents import initialize_agent, Tool
from langchain.prompts import PromptTemplate
from langchain_community.chat_models import ChatZhipuAI


def weather_api(input_str: str) -> Dict[str, str]:
    """处理天气查询"""
    location = input_str.strip("'\" ")  # 去除引号和空格
    weathers = ["晴朗", "多云", "小雨", "阵雨"]
    return {
        "weather": random.choice(weathers),
        "temperature": f"{random.randint(10, 25)}℃",
        "location": location
    }


def flight_api(input_str: str) -> dict[str, int | str] | dict[str, str]:
    """处理机票查询"""
    try:
        from_city, to_city = [c.strip("'\" ") for c in input_str.split(",")]
        return {
            "price": random.randint(800, 3000),
            "from": from_city,
            "to": to_city
        }
    except Exception as e:
        return {"error": f"输入格式错误: {str(e)}"}


# 工具注册
tools = [
    Tool(
        name="weather",
        description="查询城市天气（输入格式：'城市名'；输出：天气和温度）",
        func=weather_api,
    ),
    Tool(
        name="flight",
        description="查询机票价格（输入格式：'出发地,目的地'；输出：价格）",
        func=flight_api
    ),
]

# 初始化 LLM
load_dotenv()

llm = ChatZhipuAI(
    model="glm-4",
    api_key=os.getenv("ZHIPUAI_API_KEY")
)

react_prefix = """你是一个智能旅行规划助手，可以调用以下工具：
{tools}

任务：{input}

请遵循以下格式进行推理和行动：
思考：首先需要做什么？
行动：调用工具名称（如 weather、flight）
观察：工具返回的结果
...（重复思考-行动-观察步骤）
最终答案：完整的旅行规划"""

react_prompt = PromptTemplate(
    template=react_prefix,
    input_variables=["input", "tools"],
)

from langchain.agents import AgentType

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    prompt=react_prompt,
    verbose=True,  # 打印中间步骤
    max_iterations=20,  # 限制最大推理步骤
)

user_input = "规划一次5天的云南旅行，预算12000元，从广州出发"
print("正在规划旅行，请稍候...")
response = agent.run(user_input)
print("最终规划结果：\n", response)

代码运行输出的中间结果，看起来就像我们在做这个任务的思考与行动过程，挺有意思的。

总结与思考

        ReAct 提示与自动推理并使用工具（ART）提示，都有着让 LLM 自动规划任务，推理并使用工具的含义，那么不免产生对比的好奇。

一句话总结：

        ReAct 更强调“推理+动作”的交替循环，适用于模拟人类行为的交互式任务；而 ART 更注重“多步推理链+工具调用”的自动化流程，在需要访问外部数据和服务的复杂任务中表现更强。

好了，到此吧。

提示技术系列，截止到目前为止已经写了12篇，它们分别是：零样本；少样本；链式思考（CoT）；自我一致性；生成知识提示；链式提示；主动提示；思维树（TOT）；自动提示工程师；方向性刺激提示；自动推理并使用工具；程序辅助语言模型；

接下来分享：检索增强生成 (RAG) ？

为了方便大家学习，这里给出专栏链接：https://blog.csdn.net/quf2zy/category_12995183.html

欢迎大家一起来学习与交流……