直接回答：Agent 的核心组件四件套：规划（把目标分解为步骤，或直接边想边做）、工具（检索、代码执行、API 调用等扩展手脚）、记忆（短期=对话上下文，长期=向量库/外部存储）、以及驱动这三者的 LLM 推理循环。ReAct 是最基础的循环范式：让模型交替输出 Thought（推理：我现在知道什么、下一步做什么）和 Action（调用工具），拿到 Observation（工具结果）后再继续，直到给出 Final Answer。

展开解析：ReAct 的价值在于把推理轨迹显式化：模型在 Thought 里自我纠错，比直接输出答案更可靠，且全程可观测可调试。工程落地的关键不在框架选型而在细节：工具描述和返回格式要设计得模型友好；循环必须有步数上限和成本上限，否则一个卡住的任务会烧掉可观 token；失败要分类处理——工具报错回灌给模型让它换路径，模型自身跑偏则要终止；长任务需要状态持久化支持中断恢复。复杂场景再升级到 Plan-and-Execute（先出完整计划再执行）、多 Agent 分工（规划者+执行者+评审），但记住多 Agent 会放大成本和延迟，能用单循环解决就别上多 Agent。

追问方向：Reflexion 相比 ReAct 加了什么？Agent 任务成功率怎么评测？如何防止 Agent 陷入死循环？

（约 460 字）