回到开头那个场景。提示词写得再好，也只能让模型把这一次的材料处理得更好；而真实任务需要它自己去找材料、自己做动作、自己判断下一步。从提示词到思维链，再到 ReAct，真正在变的不是模型有多聪明，而是我们设计的东西——从一段精心措辞的话，变成一个能自我纠正的流程。

ReAct 是这条路上第一个把"想"和"做"放进同一个循环的通用范式。此后出现的各种智能体框架，基本都在这个循环上加东西：加护栏、加记忆、加多智能体的分工。循环本身没有变。

所以如果你正在把这类技术接进业务，有四件事值得先问自己一遍：

这个循环拆掉哪个部件会坏？——做一次消融，把"思考"拿掉、把"观察"拿掉，看成绩掉多少。

别人往工具返回的内容里塞一句话，它会不会照做？——做一次注入测试，尤其是那些能读网页、能执行代码的智能体。

换三种问法、换一版工具描述，结果还稳不稳？——做一次鲁棒性检查，提示词和工具说明都是它的输入。

三个月后模型更新了，我怎么知道它没坏？——建立回归集和线上监控，因为模型服务会变，而你的提示词不会自动跟着变。

这四件事做完，你才有资格说这个循环"能用"。在那之前，所有"感觉好多了"，都只是感觉。