ReAct 模式的 Agent 是如何工作的？

ReAct（Reasoning + Acting）让 LLM 交替输出思考（Thought）与行动（Action），行动调用外部工具（搜索、计算器、代码执行、API），把工具返回的观察（Observation）追加进上下文，再继续推理，形成'思考→行动→观察'循环，直到得出最终答案。它将推理轨迹与行动交织，让模型能根据中间结果动态调整计划，而非一次性闭眼执行。

Thought: 需要查最新股价 → Action: search("AAPL 股价")
Observation: 190.2 美元
Thought: 已获得答案 → Final Answer: ...

相比纯 CoT，ReAct 用外部工具获取实时、精确信息，减少幻觉；相比纯工具链，它有显式推理，能处理计划外情况。LangChain、各类 Agent 框架的核心循环均源于此。现代实现多以模型的原生工具调用（function calling）替代文本解析式 Action，更可靠。

易错点：循环需要终止条件（最大步数、超时），否则可能无限打转；观察结果要控制长度防止上下文爆炸。追问方向：ReAct 与 Plan-and-Execute 架构的取舍？