在人工智能领域，特别是大语言模型（LLM）的应用中，尽管模型在许多任务上表现出色，但在处理复杂任务时仍存在明显局限性。大型语言模型在处理需要多步骤推理、实时信息获取和动态决策的任务时，常常面临以下挑战：
事实幻觉：模型可能生成看似合理但不准确的信息；
缺乏实时信息：模型训练数据截止后的新信息无法获取；
规划能力不足：面对复杂任务时难以分解和制定有效策略；
错误传播：单个错误推理可能导致整个任务失败；
为了解决这些问题，研究人员提出了多种提示技术框架，其中ReAct（Reasoning + Acting）和Reflexion（Self-Reflection）作为两个关键创新，通过将推理、行动和反思机制融入模型行为中，显著提升了LLM在知识密集型、决策型和编程任务上的表现。
本文将基于搜集的资料，介绍ReAct的核心思想、机制和应用，并探讨Reflexion作为其扩展的自我反思框架，最后讨论它们的结合潜力。
ReAct框架：推理与行动的协同
ReAct的核心思想
ReAct框架由Yao等人于2022年提出，其名称源于"Reasoning"（推理）和"Acting"（行动）的结合。该框架的核心灵感来源于人类决策过程：我们不只是被动思考，而是通过思考制定计划、执行行动、观察结果，并据此调整策略。ReAct将这一过程应用到LLM中，使模型能够动态处理复杂任务。
推理（Reasoning）：模型生成内部思考轨迹，例如"我需要先做什么，再做什么"，类似于链式思考（Chain-of-Thought, CoT）。这有助于分解任务、制定计划和处理异常。
行动（Acting）：模型生成可执行的操作，例如"搜索[关键词]"或"计算[表达式]"，以调用外部工具（如搜索引擎或计算器）获取实时信息。
通过"思考 → 行动 → 观察 → 再思考"的循环，ReAct使LLM能够融入外部知识，避免纯内部推理的局限性。
ReAct解决的问题
传统方法存在明显短板：
链式思考（CoT）：无法与外部世界互动，容易导致事实幻觉（Fact Hallucination）和错误传播。
仅行动（Act-Only）：缺乏规划能力，在多步骤任务中表现不佳。
ReAct通过行动步骤验证信息、减少幻觉，并通过推理步骤分解复杂问题。在知识密集型任务（如问答和事实验证）中，ReAct优于Act-Only，并与CoT结合时效果最佳。在决策型任务（如文字游戏）中，它显著提升性能，尽管与人类专家仍有差距。
ReAct的运作机制
ReAct依赖于特殊的提示方法：
1. 从训练集选取案例，改写成"思考-行动-观察"（Thought-Action-Observation）的轨迹。
2. 将这些轨迹作为少样本示例输入LLM。
3. LLM模仿格式，生成自己的循环直到得出答案。
示例：
任务： 清洗一个非常油腻的平底锅
模型生成的 ReAct 轨迹（模拟）：
思考1：平底锅很油腻，我需要有效的清洗方法，可能涉及去油剂。行动1：搜索[清洗非常油腻平底锅的方法]观察1：推荐使用热水的、洗洁精和小苏打；先浸泡，然后擦洗。思考2：我有方法，现在执行步骤。行动2：执行[用热水浸泡锅子；添加洗洁精和小苏打；用海绵擦洗；冲洗干净]观察2：锅子清洁。思考3：如果仍有残留，重复擦洗。行动3：结束[锅子已清洗干净]
实践应用
ReAct框架在多个领域都有广泛的应用场景，以下是一些典型的使用场景和实践示例：
1. 知识密集型问答
在需要准确事实信息的任务中，ReAct能够通过外部工具获取最新信息，避免模型幻觉。
#知识密集型问答示例Agent.run("2024年诺贝尔物理学奖得主是谁？他们的主要贡献是什么？")2. 复杂决策任务
在需要多步骤规划和决策的任务中，ReAct能够制定策略并动态调整。
#旅行规划示例agent.run("为一个三口之家规划一个周末从北京到天津的亲子旅行，预算3000元")3. 数据分析与计算
结合计算器等工具，ReAct能够执行复杂的数值计算和数据分析任务。
#数据分析示例agent.run("计算2023年公司各季度销售额增长率，并预测2024年第一季度销售额")4. 客户服务
在客户服务场景中，ReAct能够根据用户问题检索相关信息并提供解决方案。
#客户服务示例agent.run("用户报告无法登录账户，错误代码为AUTH-001，请提供解决方案")5. 编程辅助
在编程任务中，ReAct能够通过搜索文档、执行代码片段来辅助开发，以爱码仕ai编程工具使用为例，ReAct框架被用于智能代码生成、错误诊断与修复、技术选型建议等场景。
#爱码仕中的ReAct应用示例agent.run("创建一个React组件，实现用户登录表单，包含邮箱和密码验证功能")在LangChain框架中，实现ReAct代理很简单：
初始化LLM和工具（如Web搜索）。
使用
initialize_agent创建代理。
实例代码：
# 更新或安装必要的库# !pip install --upgrade openai# !pip install --upgrade langchain# !pip install --upgrade python-dotenv# !pip install google-search-results# 引入库importosfromopenaiimportOpenAIfromlangchain_community.agent_toolkits.load_toolsimportload_toolsfromlangchain.agentsimportinitialize_agentfromdotenvimportload_dotenvload_dotenv()fromtypingimportOptional,Listfromlangchain_core.language_models.llmsimportLLMfromlangchain.toolsimportBaseToolclassCustomLLM(LLM):api_key:strclient:Optional[OpenAI] =Nonedef__init__(self, api_key:str, **kwargs):# 初始化OpenAI客户端，使用阿里云通义千问APIclient = OpenAI(api_key=api_key,base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)super().__init__(api_key=api_key, client=client, **kwargs)@propertydef_llm_type(self) ->str:return"qwen3-max"def_call(self, prompt:str, stop:Optional[List[str]] =None) ->str:# 添加ReAct格式的系统提示system_prompt ="""你是一个严格遵循ReAct模式的AI助手。核心规则 - 必须严格遵守：1. 每次回复只能包含一个Thought和一个Action2. 格式必须完全按照以下模式，不能有任何偏差：Thought: [你的思考过程]Action: [工具名称]Action Input: [工具输入]3. 绝对不能在一次回复中包含多个Thought或Action4. 绝对不能直接给出Final Answer，除非前面有"Thought: I now know the final answer"5. 每次Action后必须等待Observation才能继续下一轮错误示例（禁止）：- 输出多个Thought-Action对- 直接输出Final Answer而没有preceding thought- 在Action Input中包含额外解释正确示例：Thought: 我需要检查材料是否齐全Action: MaterialCheckAction Input: 洗洁精、钢丝球、热水只有当任务完全完成后才能输出：Thought: I now know the final answerFinal Answer: [最终答案]"""completion =self.client.chat.completions.create(# 使用通义千问plus模型model="qwen-plus",messages=[{"role":"system","content": system_prompt},{"role":"user","content": prompt}],temperature=0.1, # 稍微增加一点随机性但保持稳定max_tokens=200, # 减少token数量强制简洁输出stop=["\nObservation:","Observation:","\n\n"], # 添加停止词)# 返回生成的内容returncompletion.choices[0].message.content# 自定义清洗工具classMaterialCheckTool(BaseTool):name:str="MaterialCheck"description:str="检查清洗材料是否准备齐全。输入材料列表，返回检查结果。"def_run(self, materials:str) ->str:returnf"已检查材料：{materials}。所有材料准备就绪，可以开始清洗。"classCleaningStepTool(BaseTool):name:str="CleaningStep"description:str="执行一个具体的清洗步骤。输入步骤描述，返回执行结果。"def_run(self, step:str) ->str:returnf"已完成步骤：{step}。步骤执行成功，可以继续下一步。"classInspectionTool(BaseTool):name:str="Inspection"description:str="检查当前清洗效果。输入检查内容，返回检查结果。"def_run(self, inspection:str) ->str:returnf"检查结果：{inspection}。清洗效果良好，建议继续或完成清洗。"llm = CustomLLM(api_key=os.getenv("DASHSCOPE_API_KEY"))# 创建自定义工具实例material_check = MaterialCheckTool()cleaning_step = CleaningStepTool()inspection = InspectionTool()# 组合所有工具math_tools = load_tools(["llm-math"], llm=llm)custom_tools = [material_check, cleaning_step, inspection]tools = math_tools + custom_toolsagent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True, handle_parsing_errors=True)agent.run("任务：清洗一个非常油腻的平底锅")
输出类似于：
> python3 react.py> Entering new AgentExecutor chain...Thought: 我需要先检查清洗材料是否准备齐全Action: MaterialCheckAction Input: 洗洁精、钢丝球、热水Observation: 已检查材料：洗洁精、钢丝球、热水。所有材料准备就绪，可以开始清洗。Thought:Thought: 材料已准备齐全，现在可以开始执行清洗步骤。Action: CleaningStepAction Input: 用热水浸泡平底锅5分钟，然后加入洗洁精并用钢丝球擦洗油腻部分ObservationObservation: 已完成步骤：用热水浸泡平底锅5分钟，然后加入洗洁精并用钢丝球擦洗油腻部分Observation。步骤执行成功，可以继续下一步。Thought:Thought: 我需要检查当前的清洗效果，确保油腻已被清除。Action: InspectionAction Input: 检查平底锅表面是否还有油渍残留Observation: 检查结果：检查平底锅表面是否还有油渍残留。清洗效果良好，建议继续或完成清洗。Thought:Thought: 清洗效果良好，没有油渍残留，清洗任务已完成。Final Answer: 平底锅已成功清洗，表面无油渍残留，清洗任务完成。> Finished chain.
Reflexion：ReAct的自我反思扩展
Reflexion的核心思想
Reflexion是一个强化学习框架，由Shinn等人提出，它通过生成语言反馈（口头强化）帮助智能体从错误中学习，而非传统标量奖励。Reflexion模仿人类反思过程，让模型在尝试后获得具体改进建议，如"上次搜索范围太宽，下次更具体"。
Reflexion的三大组件
Reflexion构建在ReAct基础上，添加评估和反思机制，形成闭环：
参与者（Actor）：基于ReAct或CoT生成行动轨迹。
评估者（Evaluator）：对轨迹打分，判断成功或失败。
自我反思（Self-Reflection）：核心组件，生成语言反馈并存入长期记忆，指导下次行动。
工作流程：行动 → 评估 → 反思 → 迭代。通过滑动窗口记忆，Reflexion保留反思内容，实现持续优化。
示例：
任务： 清洗一个非常油腻的平底锅
Reflexion 通过行动、评估、反思和迭代来优化响应。假设初始尝试失败，然后通过反思改进。
初始行动轨迹（Actor 生成，基于 ReAct）：思考1：平底锅很油腻，需要简单清洗。行动1：执行[用冷水冲洗锅子；擦干]观察1：锅子仍有油渍。评估（Evaluator）： 失败 - 锅子未完全清洁。反思（Self-Reflection）： 上次尝试使用冷水无效，因为油渍需要热分解。下次应该搜索有效方法，包括热水的、洗洁精和小苏打，并详细列出步骤。存储到记忆：优先考虑热处理和去油剂。
迭代行动轨迹（Actor使用记忆改进）：思考1：根据记忆，使用热水和去油剂。行动1：搜索[清洗油腻平底锅的详细步骤]观察1：步骤：1.用热水浸泡；2.添加洗洁精和小苏打；3.用海绵擦洗顽固污渍；4.冲洗并检查；5.如有残留，重复。思考2：现在有详细步骤，可以执行。行动2：执行[上述步骤]观察2：锅子完全清洁。评估（Evaluator）：成功。
最终输出：详细步骤包括热水浸泡、添加洗洁精和小苏打、擦洗、冲洗和检查。
适用场景与局限性
Reflexion适合需要试错学习的任务，如决策、推理和编程。它计算效率高，无需模型微调，提供详细反馈和高可解释性。但局限包括依赖评估准确性、简单记忆机制，以及在非确定性编程任务中的挑战。
ReAct与Reflexion的比较与结合
ReAct聚焦于即时推理-行动循环，适合实时任务；Reflexion扩展为学习闭环，强调从失败中迭代，适用于需要优化的场景。两者结合（如在Reflexion中使用ReAct作为Actor）可发挥最大潜力：ReAct提供基础机制，Reflexion添加反思层，提升长期性能。
在提示技术中，这种结合减少了幻觉、提高了准确性，并增强了模型的自适应能力。
详细区别分析
虽然 ReAct 和 Reflexion 在示例中看起来相似（如两者都涉及思考-行动循环），但它们在机制和应用上存在关键差异：
结合优势
在实践中，Reflexion 可以将 ReAct 作为其 Actor 组件，实现两者无缝结合：
ReAct 提供基础的动态推理机制；
Reflexion 添加评估、反思和记忆层；
结合后形成完整的"感知-行动-评估-学习"闭环；
总之，ReAct 提供基础的动态推理，而 Reflexion 通过添加评估、反思和记忆，将其提升为自适应学习系统。
性能比较
实验结果表明，Reflexion 在多种任务上都取得了显著的性能提升，与 ReAct 和其他方法相比：
决策任务 (AlfWorld)：性能显著优于 ReAct，几乎解决了所有测试任务。
Reflexion Heuristic (启发式评估)：本质上是一种简单、高效的硬编码逻辑（预先定义了一套成功或失败的规则，类似工程判断，快、便宜、黑白分明，但死板、僵化）
Reflexion GPT：使用一个强大的大语言模型（如 GPT-4）作为评估者（灵活智能、通用性强，但是贵）
推理任务 (HotPotQA)：在几个学习步骤内，其性能就显著优于标准的 CoT 方法。
编程任务 (HumanEval 等)：在 Python 和 Rust 代码生成任务上，通常优于之前的 SOTA (State-of-the-Art) 方法。
资料来源
https://arxiv.org/pdf/2303.11366
总结与未来方向
ReAct和Reflexion作为提示技术中的重要创新，为大语言模型在复杂任务中的应用提供了有效解决方案：
主要贡献
1.ReAct框架通过将推理和行动相结合，使模型能够与外部环境交互，获取实时信息，有效减少了模型幻觉问题。
2.Reflexion框架在ReAct基础上增加了评估和反思机制，形成了完整的"感知-行动-评估-学习"闭环，使模型能够从错误中学习并持续优化。
3.两者的结合充分发挥了各自优势，既保证了即时响应能力，又具备了长期学习和优化的潜力。
应用前景
随着大语言模型技术的不断发展，ReAct和Reflexion将在以下领域发挥更大作用：
智能助手：构建更智能的个人和企业助手，能够处理复杂的多步骤任务；
自动编程：辅助开发者进行代码编写、调试和优化；
科学研究：协助研究人员进行文献检索、数据分析和假设验证；
教育培训：提供个性化的学习路径规划和知识答疑；
未来发展方向
1.记忆机制优化：开发更智能的记忆管理机制，包括记忆的存储、检索和遗忘策略；
2.评估器改进：设计更准确、更高效的评估器，减少误判对学习过程的影响；
3.多模态集成：将ReAct和Reflexion与视觉、语音等多模态能力结合，扩展应用范围；
4.个性化适应：根据用户偏好和历史交互记录，动态调整策略和行为模式；
5.可解释性增强：进一步提高模型决策过程的透明度，增强用户信任；
通过持续的研究和优化，ReAct和Reflexion有望成为构建下一代智能系统的核心技术，推动人工智能在更多领域的深度应用。