ReAct vs 纯提示：为何更优？
相比单纯 Prompting 在复杂任务中的优势分析
原题：ReAct（Reasoning + Acting）框架结合了推理与外部操作。请解释其核心思想，并分析相比单纯的提示工程（prompting），它为何能在复杂任务（如问答、决策）中取得更优表现。
Prompt工程 · 高德真题
回答与解析
核心思想
ReAct = Reasoning（推理）+ Acting（行动），关键创新在于交织循环而非顺序执行：
Thought → Action → Observation → Thought → ...
- Thought：分析当前状态，规划下一步
- Action：调用外部工具（搜索、计算、API等）
- Observation：获取工具返回的实时信息
- 循环直到完成任务
相比纯Prompting的优势
| 维度 | 标准Prompting | ReAct |
|---|---|---|
| 信息来源 | 仅依赖模型参数知识 | 动态获取外部实时信息 |
| 错误修正 | 一次性生成，无法反悔 | 根据Observation及时调整策略 |
| 可解释性 | 黑盒输出 | 显式展示推理轨迹 |
| 复杂任务 | 易幻觉、计算错误 | 分解子任务，逐步验证 |
典型场景优势
知识密集型问答
- 标准方案：模型直接回答 → 可能编造事实
- ReAct方案：Thought判断需要搜索 → Action调用检索 → Observation获取证据 → Thought综合回答
多步决策任务
- 如"预订餐厅"：每步Action后观察结果（有无空位、价格），动态调整后续计划，而非一次性生成固定方案
本质差异
纯Prompting是开卷考试凭记忆，ReAct是允许查资料且边查边想，后者在信息动态变化、需要精确事实、多步骤验证的场景下必然更优。
学习建议
建议系统学习该知识点
口语版讲法(约4分钟)
- 本质是让模型边想边查，而不是闭卷考试
- ReAct 的核心是循环：想、做、看、再想
- 和纯 Prompting 的边界：静态知识 vs 动态信息
- 真实业务：客服处理退款，ReAct 能查政策、算金额、验证条件
- 落地风险：工具不稳定、推理链太长会崩
- 我的判断：ReAct 是高级脚手架，不是万能药
这道题其实是在问，当模型光靠内部知识不够用的时候，我们怎么让它像人一样，一边思考一边借助外部工具。ReAct 的核心，说白了就是把推理和行动揉成一个循环，而不是先想完再去做。它的流程就是 Thought 到 Action 到 Observation，再回到 Thought，这样一圈一圈走，直到任务完成。
具体说，模型先想一下当前需要什么信息，然后去调用搜索、计算或者 API，拿到结果后再结合这个新信息继续推理。这个机制让它能动态获取外部实时信息，而不是只靠训练时记住的那些知识。
那和纯 Prompting 的边界在哪里呢？纯 Prompting 适合那些知识相对静态、答案比较确定的场景，比如问一个常识问题。但一旦任务涉及时效性信息、多步验证或者需要精确计算，纯 Prompting 就容易幻觉或者出错。ReAct 的优势恰好就在这些场景，它能根据 Observation 及时调整策略，而且每一步的推理轨迹都是显式的，可解释性也好很多。
举个例子，客服处理退款申请。用户说订单超时了要退款，但实际政策是只有未发货的才能全额退，已发货要扣运费。纯 Prompting 的模型可能直接说可以退，或者编一个不存在的政策。用 ReAct 的话，模型会先想，我需要查这个订单的状态和退款政策，然后调内部 API 或者知识库，拿到订单已发货、政策规定扣运费，然后计算实际退款金额，再生成回复。整个过程每一步都有据可查。
但这里有个坑，ReAct 不是银弹。它的前提是外部工具要稳定可靠，而且模型要能正确解析工具返回的结果。如果搜索 API 不稳定或者返回了错误信息，ReAct 反而会放大错误。另外，推理链太长的话，模型容易在中间步骤迷失，忘记最初的目标，导致循环不下去。上线的时候我会特别关注工具调用的超时和重试机制，以及给推理链设一个最大步数，超出就回退到安全回复。
还有一个点值得细想，就是 ReAct 和 Agent 的关系。很多人把 ReAct 直接等同于 Agent，但我觉得 Agent 的范畴更大，ReAct 只是其中一种实现范式。在复杂任务里，我们往往需要 ReAct 配合其他机制，比如记忆管理或者多工具调度，才能真正稳定。
所以说，我会把 ReAct 看作一个高级脚手架，它让模型从闭卷考试变成了开卷加边查边想。但真正落地的时候，得清楚它适合什么场景，也要知道它的脆弱点在哪里。我更倾向于在需要多步验证和动态信息的任务里用 ReAct，而在简单问答里直接用纯 Prompting 就够了，没必要杀鸡用牛刀。
关键一句:ReAct 和 Agent 的关系：ReAct 只是 Agent 的一种实现范式，不是全部。
面试官还可能这样问
- 问法 1 · 场景切入
假设你在做一个智能客服，用户问“帮我查一下上周的订单”，模型直接答可能编造信息。如果让你设计一个方案，让模型能自己决定去查数据库再回答，你怎么做？
- 问法 2 · 层层追问
你平时用提示词让模型回答复杂问题，效果怎么样？……如果问题需要查实时数据或做多步计算，纯提示词容易出错吧？……那你怎么让模型能一边推理一边调用工具，还能根据结果调整思路？
- 问法 3 · 直球架构
请解释ReAct框架的核心思想，它如何将推理和行动交织在一起？对比纯提示工程，它在信息获取、错误修正和可解释性上有什么本质优势？