ReAct：教小雅"想一步、做一步、看结果"

ReAct = Reason（想）+ Act（做）

ReAct 是 2022 年由普林斯顿大学和 Google 的研究者提出的方法，现在几乎是所有智能体的"标配脑回路"。它的循环只有三步，转个不停：

想（Reason） → 做（Act） → 看（Observe） → 回到"想"……直到任务完成。

• 想：它先在心里盘算"我现在缺什么信息、下一步该干嘛"
• 做：根据盘算，选一个工具去执行（比如"查天气"）
• 看：拿到工具返回的真实结果
• 然后带着新结果再想一轮，而不是凭空下结论

这正是 ReAct 最大的好处：它把"凭空想"和"真实信息"连了起来，显著减少幻觉——它不再需要编，因为它可以去查。

看一眼小雅的"侦探脑"在转（注意：它转了好几圈）

ReAct 的威力，要在需要好几步的任务上才看得出来。我们换个稍复杂的问题——"明天适不适合去爬香山"，看小雅怎么一圈一圈逼近答案：

看清楚没？它没有一口气答，而是：查到天气好 → 但意识到还差一个信息 → 再去查开放时间 → 两件事都齐了才下结论。这种"看到结果、发现还差点、再去补"的循环，正是 ReAct 比"一次性联想"强的地方。 一个普通聊天机器人会直接说"应该可以吧"——因为它既不会查，也不会"想想还缺啥"。

🙌 动手：在扣子里打开小雅的"侦探脑"

不用写代码，低代码平台已经把 ReAct 这套循环内置好了，你只要给它"装上手"并允许它多步执行：

1. 打开你在扣子里建的 小雅，进编排/编辑页。
2. 给它添加「联网搜索」插件（这就是它"查"的那只手）。
3. 允许它走多步：在编排里启用平台的智能体/规划能力，让它能"查完再想、想完再查"，而不是答一句就停（扣子 2.0 提供了这类多步规划能力；具体入口名称以官网当前界面为准）。
4. 问它一句需要现查、还得查不止一处的话，比如"明天适不适合去香山"或"今天有什么和 AI 相关的大新闻"。
5. 观察执行步骤：它会先搜、看结果、再决定要不要补一刀，最后才回答。

✅ 你会亲眼看到：小雅不再张口就编，而是一步步查清楚再答。这就是 ReAct 在干活。

📸 低代码平台界面会更新，按"找到对应功能"的思路操作即可；上线版本会配当前截图。

🔧 手写一个迷你 ReAct（可运行）

撕开所有框架，ReAct 的内核朴素得惊人——就是一个循环：让模型反复"想 + 选工具"，你来执行、把结果喂回去，直到它能回答。下面这段 Python 可以直接复制运行（用 DeepSeek 或任意 OpenAI 兼容接口，pip install openai，把 你的KEY 换掉）：

# pip install "openai>=1.0"
import json
from openai import OpenAI

client = OpenAI(api_key="你的KEY", base_url="https://api.deepseek.com")
MODEL = "deepseek-chat"

# 给它一个工具：联网搜索（这里用假数据演示，真实项目换成搜索 API）
def web_search(query: str) -> str:
    return f"（示例结果）关于「{query}」：明天北京晴，15–22℃；香山正常开放 8:00–17:00。"

SYSTEM = """你是一个按 ReAct 方式工作的智能体。每一步只回复一行 JSON：
- 需要查信息时：{"thought": "你的思考", "action": "web_search", "action_input": "查询词"}
- 已经能回答时：{"thought": "你的思考", "answer": "给用户的最终回答"}
可用工具：web_search(查询词) —— 联网搜索实时信息。"""

def react(question: str, max_steps: int = 5) -> str:
    messages = [{"role": "system", "content": SYSTEM},
                {"role": "user", "content": question}]
    for _ in range(max_steps):                      # ← 步数上限，防止它绕圈子
        reply = client.chat.completions.create(
            model=MODEL, messages=messages,
            response_format={"type": "json_object"},
        ).choices[0].message.content
        try:
            data = json.loads(reply)                 # JSON 模式偶尔会返回空/截断，兜一下底
        except (json.JSONDecodeError, TypeError):
            return f"（模型这步没给出规范 JSON，原文：{str(reply)[:80]}…）"
        print("🤔 想：", data["thought"])
        if   data:                        
             data[]
        obs = web_search(data[])      
        (, data[], , obs)
        messages.append({: , : reply})
        messages.append({: , : })   
     

 __name__ == :
    (, react())

运行后你会看到它一圈圈地想→做→看：

🤔 想： 我需要明天的天气和香山的开放情况，先查一下
✋ 做： web_search  → 👀 看： （示例结果）…明天北京晴…香山 8:00–17:00…
🤔 想： 信息够了，可以回答了
💬 答： 适合去！明天北京晴、15–22℃，香山 8:00–17:00 正常开放，记得带件外套。

对照前面那张思考轨迹图——for 循环就是"反复想做看"，max_steps 就是给它的"别绕圈子"刹车。所谓"智能体框架"，很大程度就是把这个循环 + 工具管理包装得更顺手。看懂这 30 行，你就再也不会觉得智能体神秘了。

任务是『帮我决定周末去哪个城市玩更划算』。请你用 ReAct 的『想→做→看』格式，写出一个智能体大概会怎么一步步思考和调用工具（比如查天气、查票价、查景点），每一步标明是 想/做/看。