admin 管理员组文章数量: 1184232
Agent ReAct and Loop
我一直在使用 ChatGPT 或通义千问这样的 AI 工具，它们很强大，但多数情况下都是“一问一答”。我提一个问题，它给一个答案。
但我注意到，像 Manus 或 Claude Code CLI 这样的“Agent”（智能体）产品，它们似乎可以自动执行任务。你给它一个目标，它会自己去调用工具、分析结果、继续下一步，直到任务完成。
这到底是怎么做到的？它如何摆脱“一问一答”的限制，实现自动循环？这就是我这周探索的问题。
关键概念：ReAct
我读了一些资料，发现了一个关键概念：ReAct。
这是 2022 年一篇论文（ReAct: Synergizing Reasoning and Acting in Language Models）提出的思想。它模仿了人类的工作方式：
- Reason（思考）：分析当前情况，决定下一步该做什么。
- Act（行动）：执行一个动作（比如调用工具、搜索信息）。
完成“行动”后，会得到一个新的“观察”（Observation），比如工具的返回结果。然后，Agent 带着这个新结果，回到第 1 步，再次“思考”，形成一个循环。
一个线索：Claude 的日志
这个“思考-行动”的循环听起来很合理。为了验证它，我做了一个小实验。
我查看了 Claude 编码助手（我在 Mac 上的路径是 ./claude/projects/*.jsonl）的会话日志文件。这些 .jsonl 文件记录了我和 Agent 的完整对话。
我发现，里面的消息（Message）并不仅仅是“我问”和“它答”，而是主要有四种类型：
user：用户的消息。assistant：模型（Agent）的消息。tool_call：模型决定调用一个工具。tool_result：工具执行后返回的结果。
这揭示了一个秘密：assistant 的回复并不总是最终答案。它可能是一个 tool_call（工具调用）请求，用来告诉外部程序：“请帮我执行这个函数”。
执行完毕后，系统会把 tool_result（工具结果）再发给 assistant。
流程：一个循环
看到这里，我基本想通了。Agent 的自动执行，本质上就是这样一个流程：
[用户输入]->[LLM 思考]->[决定：调用工具 A]->[系统执行 A]->[A 的结果]->[LLM 思考]->[决定：调用工具 B]->[系统执行 B]-> ... ->[最终答案]
这个流程的核心，就是一个循环（Loop）。
只要 LLM 返回的不是最终答案，而是一个 tool_call，系统就去执行它，然后把结果塞回去，让 LLM 继续“思考”。
Demo 快速验证
我的逻辑很清晰：一个主函数，它负责调用 LLM。调用后，检查返回结果。
- 如果结果是普通文本（最终答案），就返回它。
- 如果结果是
tool_call，就去执行工具，然后把工具结果和之前的对话历史“拼”在一起，递归调用自己。
下面是一个简化的伪代码：
class SimpleAgent {
async chat(message) {
const assistantResponse = await this.callLLM(message)
if (assistantResponse.hasToolCall) {
const toolResult = await this.callTool(assistantResponse.toolCall) // 递归调用，将tool result作为新消息
return this.chat(toolResult)
}
return assistantResponse.content
}
}
为了快速验证我的想法，我让 Claude Code 基于 Plasmo 快速开发了一个侧边栏形式的 Browser Agent，效果如下：
这不是产品，只是 Demo。仅用于验证我自己所理解的 Loop。
我的感想
在做完这些事情以后，我豁然开朗。
Agent 的“自动执行”，其核心就是这个 “LLM 思考 -> 工具执行 -> 结果反馈 -> LLM 再思考” 的循环。
当然，我这个实现非常简陋。一个工业级的 Agent 框架（比如 LangChain）要复杂得多，它们需要处理：
- LLM 兼容：如何适配不同厂商（OpenAI, Anthropic, Google）的接口和
tool_call格式。 - 工具管理：如何动态注册、描述和安全地执行工具。
- 记忆（Memory）：如何在循环中管理越来越长的对话历史，防止 Token 溢出。
- 路由（Router）：当有上百个工具时，如何决定调用哪一个。
但通过亲自动手，我总算摸清了 ReAct 架构的基本原理。这对于我后续的学习，算是打下了一个很好的基础吧。
如何学习大模型？
学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。
这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
😝有需要的小伙伴，可以扫描下方二v码免费领取【保证100%免费】🆓
版权声明：本文标题：Agent ReAct and Loop 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1765993815a3430354.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论