本文是《从零开始构建智能体》第四章学习笔记，深入分析 ReAct、Plan-and-Solve、Reflection 三种经典范式的原理与代码实现。

引言

在上一章中，我们深入探讨了作为智能体"大脑"的大语言模型（LLM）。但光有大脑不够，智能体还需要能够与外部世界交互、调用工具、自主决策。

本章将介绍三种经典的智能体架构范式，帮助你理解如何组织智能体的"思考"与"行动"过程。

---

一、为什么需要范式？

智能体面临的核心挑战：

1. 幻觉问题：LLM 可能产生错误信息

2. 推理循环：在复杂任务中可能陷入无限循环

3. 工具滥用：错误使用工具导致任务失败

为了解决这些问题，业界总结出了三种经典范式。

---

二、三种经典范式

1. ReAct：边想边做

核心思想：让智能体在推理过程中同时调用工具，实现"思考-行动-观察"的循环。

用户：今天天气怎么样？
↓ 思考：需要查天气
↓ 行动：调用天气API
↓ 观察：返回"晴，25度"
↓ 判断：已回答，停止
回答：今天天气晴，25度

代码实现：

def react_agent(query, llm, tools):
    # 1. 思考
    thought = llm.generate(f"分析这个问题: {query}")
    
    # 2. 决定行动
    action = llm.generate(f"决定调用哪个工具: {thought}")
    
    # 3. 执行
    result = tools[action].execute(query)
    
    # 4. 观察
    observation = result
    
    # 5. 判断是否完成（关键！）
    if llm.generate(f"问题{query}是否已回答? {observation}"):
        return observation
    
    # 6. 循环
    return react_agent(query, llm, tools)

停止条件：由 LLM 自主判断"问题是否已回答"，而不是人为规定循环次数。

适用场景：

• 需要实时信息的任务（天气、股票、新闻）

• 多步推理且需要外部知识的任务

---

2. Plan-and-Solve：三思而后行

核心思想：先制定完整计划，再按计划执行。

用户：帮我规划一周的健康饮食
↓ 计划：①查每日卡路里需求 ②选食材 ③列购物清单
↓ 执行：查卡路里 → 选食材 → 列清单
↓ 汇总：生成完整计划
回答：一周健康饮食计划

代码实现：

def plan_and_solve_agent(query, llm, tools):
    # 1. 制定计划
    plan = llm.generate(f"制定解决步骤: {query}")
    
    # 2. 分解步骤
    steps = plan.split("\n")
    
    # 3. 逐个执行
    results = []
    for step in steps:
        result = tools[step].execute(query)
        results.append(result)
    
    # 4. 汇总结果
    final_answer = llm.generate(f"综合结果: {results}")
    return final_answer

vs ReAct：

• ReAct：动态调整，随机应变

• Plan-and-Solve：先想好再动手，稳定但不够灵活

适用场景：

• 复杂多步骤任务（旅行规划、项目管理）

• 步骤明确、可预判的任务

---

3. Reflection：反思修正

核心思想：让智能体能反思自己的回答，通过自我批判和修正来优化结果。

用户：解释什么是中医的辨证论治
↓ 生成初始回答：辨证论治是...
↓ 反思：回答是否准确？有没有遗漏？
↓ 判断：需要修正 → 补充内容 → 修正后回答
回答：（更完善的版本）

代码实现：

def reflection_agent(query, llm, tools):
    # 1. 生成初始回答
    initial_answer = llm.generate(query)
    
    # 2. 反思
    reflection = llm.generate(f"反思这个回答: {initial_answer}")
    
    # 3. 判断是否需要修正
    needs_correction = llm.generate(f"需要修正吗? {reflection}")
    
    if needs_correction == "是":
        # 4. 修正
        corrected_answer = llm.generate(f"修正: {initial_answer} 基于 {reflection}")
        return corrected_answer
    
    return initial_answer

适用场景：

• 需要高质量输出的任务

• 复杂概念的解释（中医理论等）

• 需要避免幻觉的严谨场景

---

三、三种范式对比

范式	核心思想	优点	缺点	适用场景
ReAct	边想边做	灵活、动态调整	可能过度循环	实时信息、多步推理
Plan-and-Solve	先计划后执行	稳定、可预测	不够灵活	复杂多步骤任务
Reflection	反思修正	质量高、避免幻觉	额外调用开销	高质量输出、严谨场景

---

四、我的中医RAG系统属于哪种范式？

在开发中医问诊RAG系统过程中，我逐渐意识到系统实际上融合了多种范式思想：

ReAct 思想

# query检索流程：分析问题 → 检索 → 获取结果 → 生成回答
response, context = rag_pipeline.query(
    user_query,
    patient_info=patient_info,
    history_context=history_context
)

Reflection 思想

# 自反思：过滤噪音
candidates = self._self_reflection(query, candidates)
​
# 跨章节整合：多书籍合并
candidates = self._cross_chapter_merge(candidates, top_k)

通过自反思机制过滤检索结果中的噪音，通过跨章节整合确保结果来自不同古籍（伤寒论、金匮要略、温病条辨等），提高回答的可信度。

---

五、总结

1. ReAct：适合需要动态调整的任务，强调"边做边想"

2. Plan-and-Solve：适合步骤明确的任务，强调"三思而后行"

3. Reflection：适合需要高质量输出的任务，强调"反思修正"

在实际开发中，这三种范式并非互斥，可以根据具体场景组合使用。例如，一个复杂的智能体系统可能同时具备 ReAct 的动态调整能力和 Reflection 的质量保证能力。

---

参考资料

• Hello-Agents: 从零开始构建智能体

• ReAct: Synergizing Reasoning and Acting in Language Models

• Plan-and-Solve Prompting