提示技术系列（13）—

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

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

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 Dictfrom dotenv import load_dotenv
from langchain.agents import initialize_agent, Tool
from langchain.prompts import PromptTemplate
from langchain_community.chat_models import ChatZhipuAIdef 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 AgentTypeagent = 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。

维度	ReAct	自动推理并使用工具（ART）
核心思想	通过交替进行“推理（Reasoning）”和“行动（Action）”，让LLM在任务中自主选择动作并执行。	引导LLM自动生成多步推理链，并动态调用外部工具来完成复杂任务。
是否依赖工具调用	是，LLM需决定何时调用工具（如API、搜索）。	是，LLM主动选择和调用合适的工具链。
是否强调推理步骤	是，LLM需先进行逻辑推理，再决定下一步操作。	是，强调生成明确的推理路径以支持工具调用。
是否生成可执行代码	否，仅生成自然语言推理和动作指令。	否，主要生成自然语言推理和工具调用描述。
输出形式	推理步骤 + 动作选择（如调用搜索引擎、数据库查询）	多步推理链 + 工具调用序列（如API调用、计算器）
是否支持动态交互	是，根据中间结果调整后续推理路径。	是，根据当前状态动态调整工具调用顺序。
是否适合非结构化任务	是，适用于自然语言理解+工具调用结合的任务。	是，尤其适合需要实时数据或多个工具协作的任务。
资源消耗	中等（取决于调用的工具数量）。	高（可能涉及多次网络请求、API调用）。
可解释性	高，推理路径清晰，动作选择透明。	高，推理过程与工具调用逻辑分离明确。
典型指令示例	“请一步步思考如何解决这个问题，并在需要时调用计算器或搜索最新数据。”	“请生成一个包含多步推理的思维链，并在适当位置调用相关工具完成计算或获取信息。”