“ReAct 模式”（Reason + Act），核心思想是让大模型先“思考”需要做什么动作（Reason），然后执行动作（Act），再基于动作结果继续思考和回答。例如：在查询实时天气的场景中，第一次调用大模型让它“思考”需要调用哪个工具（查询天气），然后执行工具调用获取实时数据；第二次调用大模型把获取到的数据交给大模型，让它基于数据生成最终的回答。这样既能利用大模型的语言理解与生成能力，又能通过外部工具补充实时数据，确保回答的准确性和实时性。避免了大模型“凭空编造”或“知识过期”的问题。

• ReAct的经典项目实现：hotpot-llama-react
• 简介：这个项目是 ReAct 论文的官方实现，专门用来做问答和事实核查，清晰展示了“思考-行动”循环。第一次调用大模型做推理，第二次调用生成最终答案。
• 地址：https://github.com/hotpot-llama-react

1. Self-Ask（自问自答）

核心：把复杂问题拆成“先问中间问题 → 再汇总答案”的两段式流程。

• 第一段：大模型自己判断“要回答这个问题，还需要哪些中间信息”，然后生成对应的中间问题并调用外部工具获取真实数据。
• 第二段：大模型把拿到的中间数据整合成最终答案。 优势：相比 ReAct 的“思考-行动”循环，Self-Ask 更专注于“先问再答”，减少了不必要的工具调用，适合处理需要多跳推理的复杂问题。

• 项目名称：self-ask-llm
• 简介：Self-Ask 方法的开源实现，核心思路是让大模型先问自己中间问题，再调用外部工具获取数据。项目里提供了详细的代码示例和文档，帮助你理解如何拆分问题和调用工具。
• 地址：https://github.com/ofir-io/self-ask-llm

2. Plan-and-Execute（先规划后执行）

核心：把决策和执行拆成两步，先让大模型一次性规划好所有需要的工具调用和顺序，再统一执行。

• 规划阶段：大模型输出一个“工具调用计划”（如调用天气 API、再调用地图 API）。
• 执行阶段：按计划顺序调用工具，最后把所有结果汇总给大模型生成最终回答。 优势：减少了大模型的反复调用，适合需要多个工具协同的复杂任务，能显著降低成本。
• 项目名称：langchain
• 简介：LangChain 是一个非常流行的框架，支持多种大模型和工具集成。它的 Plan-and-Execute 模式允许你先规划好所有需要的工具调用和顺序，再统一执行，非常适合需要多个工具协同的复杂任务。
• 仓库地址：https://github.com/langchain-ai/langchain

3. Reflection（反思）

核心：让大模型先生成初步答案，然后“反思”这个答案是否合理，再决定是否需要调用外部工具补充信息。

• 第一次调用：生成初步答案。
• 反思阶段：大模型评估答案的可信度，若发现信息不足，则触发工具调用。
• 第二次调用：基于工具返回的数据修正答案。 优势：避免了盲目调用工具，只有在“不确定”时才查询外部数据，适合对成本敏感的场景。
• 项目名称：reflexion
• 简介：Reflection 方法的开源实现，让大模型在生成答案后进行反思，评估答案的可信度，并决定是否需要调用外部工具补充信息。项目里提供了详细的代码示例和文档。
• 仓库地址：https://github.com/noahshinn/reflexion

4. Toolformer（工具增强）

核心：把工具调用“内化”到大模型的推理过程中，让模型在一次调用中同时完成“思考”和“工具选择”。

• 训练阶段：用包含工具调用记录的数据微调大模型，让它学会在生成回答时直接插入“工具调用标记”。
• 推理阶段：大模型一次生成包含工具调用的完整回答，系统解析标记后自动执行工具并填充结果。 优势：理论上只需一次大模型调用，后续工具执行和结果填充由系统完成，成本最低，但需要额外的训练或微调投入。
• 项目名称：toolformer-pytorch
• 简介：Toolformer 方法的开源实现，基于 PyTorch，让大模型在一次调用中同时完成“思考”和“工具选择”。项目里提供了训练和推理的代码示例，帮助你理解如何把工具调用内化到大模型的推理过程中。
• 仓库地址：https://github.com/luyug/toolformer-pytorch

#总结： ReAct 是最经典的“思考-行动”循环，但实际应用中，可以根据任务复杂度和成本要求，选择更精细的策略。例如：

• 简单任务：直接用 ReAct 或 Self-Ask。
• 复杂多步任务：用 Plan-and-Execute 减少调用次数。
• 成本敏感场景：用 Reflection 避免无效工具调用。
• 高频固定任务：考虑 Toolformer 微调，实现“一次调用，多次受益”。