1、引言

小屌丝：鱼哥，我最近用 LangChain 搭了个 Agent，跑了半天，不是死循环就是答非所问。我看了那篇《一图带你看懂 Agent 四种设计模式》，图是记住了，但还是不知道怎么选、怎么用。
小鱼：图是记住了，代码呢？
小屌丝：代码在网上拼拼凑凑，跑起来了，但感觉像在摸黑走路。
小鱼：那今天我就把那四种模式，每一种都给你写一段能跑的核心代码，再告诉你什么时候该选它，什么时候千万别选它。让你从“会用 API”进化到“能设计 Agent 架构”。
小屌丝：得嘞，我搬好小板凳了。

2、四种设计模式之React

2.1 四种工作模式的本质差异

在进代码之前，先把四种模式的底层逻辑对齐。我用一张表把核心差异拉出来：

这四种模式不是互斥的，是层层叠加的：

• ReAct 是基础原语
• Plan-and-Execute 在 ReAct 上加了“规划分层”
• Reflection 在 ReAct 上加了“质检反馈”
• Multi-Agent 则是把前三种模式分配给不同的 Agent 并行跑

2.2 ReAct 工作流程图

图中的逻辑画得很清楚

核心思想：Agent 在思考和行动之间不断交替。每一步都依赖上一步的观察结果来决定下一步，没有“全局计划”的概念。

2.3 什么时候用 ReAct

• 任务路径不确定，“下一步是什么”依赖上一步结果

• 工具调用后有大量中间信息需要“消化”

• 你的任务本身就是探索性的（调研、排查问题、信息检索聚合）

2.4 什么时候别用 ReAct

• 任务步骤可以提前确定（那是 Plan-and-Execute 的地盘，能省 80% Token）

• 你对延迟敏感，每一步都调 LLM 太慢

• 输出质量要求极高但 ReAct 没有内建质检（那是 Reflection 要补的）

2.5 核心代码示例

# -*- coding:utf-8 -*-
# @Time   : 2026-05-01
# @Author : Carl_DJ

from openai import OpenAI
import json

client = OpenAI()

# ---------- 工具定义 ----------
def search_flights(origin: str, destination: str, date: str) -> str:
    """模拟查询航班"""
    return json.dumps({
        "flights": [
            {"flight_no": "CA1234", "departure": "08:00", "price": 1280},
            {"flight_no": "MU5678", "departure": "14:30", "price": 960}
        ]
    }, ensure_ascii=False)

def book_flight(flight_no: str, passenger: str) -> str:
    """模拟订票"""
    return json.dumps({"status": "confirmed", "booking_id": "BK20260502", "flight": flight_no, "passenger": passenger}, ensure_ascii=False)

TOOLS = {
    "search_flights": search_flights,
    "book_flight": book_flight
}

TOOLS_DESC = """
- search_flights(origin, destination, date): 查询航班
- book_flight(flight_no, passenger): 预订机票
"""

# ---------- ReAct Prompt ----------
SYSTEM_PROMPT = f"""你是一个订票助手。你可以使用以下工具：
{TOOLS_DESC}

严格按照以下格式输出，每次只输出一个 Thought/Action 对：

Thought: 你当前的思考
Action: 工具名称
Action Input: {{"key": "value"}}

当你确认任务完成时，输出：
Thought: 任务已完成
Final Answer: 最终的回答
"""

# ---------- ReAct 循环 ----------
def react_loop(user_input: str, max_steps=10):
    messages = [{"role": "system", "content": SYSTEM_PROMPT},
                {"role": "user", "content": user_input}]
    
    for step in range(max_steps):
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            temperature=0
        )
        reply = response.choices[0].message.content
        messages.append({"role": "assistant", "content": reply})
        
        # 检查是否完成
        if "Final Answer:" in reply:
            return reply.split("Final Answer:")[-1].strip()
        
        # 解析 Action
        if "Action:" in reply and "Action Input:" in reply:
            action_line = [l for l in reply.split("\n") if l.startswith("Action:")][0]
            input_line = [l for l in reply.split("\n") if l.startswith("Action Input:")][0]
            
            action_name = action_line.replace("Action:", "").strip()
            action_input = json.loads(input_line.replace("Action Input:", "").strip())
            
            # 执行工具
            if action_name in TOOLS:
                observation = TOOLS[action_name](**action_input)
            else:
                observation = f"错误：工具 {action_name} 不存在"
            
            # 把观察喂回去
            messages.append({"role": "user", "content": f"Observation: {observation}"})
        else:
            # 格式不对，提醒
            messages.append({"role": "user", "content": "Observation: 请严格按 Thought/Action/Action Input 格式输出"})
    
    return "达到最大步数，任务未完成"

# ---------- 运行 ----------
result = react_loop("帮我订一张5月3号从北京到上海的机票，选最便宜的")
print(result)

关键决策点：

• ReAct 的核心管控点不在 Prompt，而在 messages 的拼接方式。
• 每一次工具的返回结果（Observation）必须原样塞回对话历史，否则 Agent 会失去“上下文记忆”。

3、总结

ReAct 是 Agent 的“元模式”，灵活但费 Token。如果你能用其他模式预先确定步骤，就别用它。如果必须用，记得控制循环、校验格式、兜底截断。
看到这里， 《Agent设计模式之：React》就聊的差不多了，
下一篇，我们聊《Agent设计模式之：Plan-and-Execute 》，不见不散。

我是小鱼：

• CSDN 博客专家；
• AIGC 技术MVP专家；
• 阿里云 专家博主；
• 51CTO博客专家；
• 企业认证金牌面试官；
• 多个名企认证&特邀讲师等；
• 名企签约职场面试培训、职场规划师；
• 多个国内主流技术社区的认证专家博主；
• 多款主流产品(阿里云等)评测一等奖获得者；

关注小鱼，学习【人工智能与大模型】最新最全的领域知识。