ReAct 推理与行动 ReAct (Reason + Act)
让 AI 交替进行"思考一步、行动一步、看结果再想"的工作循环
✗ 没用这个技巧
帮我查一下这家公司最近的融资新闻， 然后写一段投资分析。
一口气写完，中间需要的事实
全靠"记忆"现编——新闻日期、
金额细节经常是幻觉。
✓ 用了
按 ReAct 循环工作，每轮输出三段： Thought: 当前该做什么、为什么 Action: 执行一步（搜索/计算/调用工具） Observation: 该步得到的结果 重复直到足以回答，最后给 Final Answer。
Thought→Action→Observation 交替，
每个结论都有上一步的观察支撑，
查不到就承认查不到。
**ReAct（Reason + Act）**是 Agent 的原型模式：模型不再一口气给答案，而是进入“想一步 → 做一步 → 看结果 → 再想”的循环，每步的行动（搜索、计算、调工具）都有明确的动机，每个结论都有上一步的观察背书。ChatGPT 的联网搜索、各类 AI Agent 内核都是它的后代。
什么时候用：多步骤任务（调研、排错、行程规划）、需要引用外部信息的任务、以及在支持工具调用的产品里。纯闲聊用不上。
要点：① 固定输出格式（Thought/Action/Observation 三段式）；② 一次只做一个动作（贪多必失）；③ 指定终止条件（信息充分即给 Final Answer，防止无限循环）。
复制即用的提示词片段
按 ReAct 模式（Reason + Act）完成任务，循环输出： Thought: <分析当前局面与下一步> Action: <执行一个具体动作：检索/计算/调用工具> Observation: <该动作的实际结果> ……循环至信息充分，最后输出 Final Answer。