标准回答
ReAct 是什么
让大模型交替输出推理（Thought）和行动（Action）的范式。每一步先思考要做什么，再调用工具执行，然后把结果（Observation）作为下一步的事实锚点，形成「想—做—看—再想」的闭环。
相比单一范式的优势
- 相比纯 CoT：引入真实 Observation 纠偏，减少凭空幻觉。
- 相比纯 Action 调用：有 Thought 做规划，行为更有章法。
- 推理链可解释、可纠错，工具空间易扩展。
工程要点
定义清晰的工具接口与参数 schema；设置最大迭代次数防止死循环；生产环境可压缩或隐藏 Thought 以节省 token。
常见误区
⚠️ 常见踩坑
把 Observation 当可有可无——它是 ReAct 区别于纯 CoT 的核心，缺了真实反馈就退化成自说自话的推理；另一误区是不设最大迭代次数，工具反复失败时 Agent 会陷入 Thought-Action 死循环、token 暴涨。
追问
追问 1：ReAct 和 Function Calling 是一回事吗？
题库专题：Function Calling / Tool Use 的实现原理是什么？不是。Function Calling 是 API 层结构化工具调用能力；ReAct 是推理范式，可用自然语言 Action 或 FC 实现，强调 Thought 链暴露与多步闭环。
题库延伸：与本追问相关的专题题 → Function Calling / Tool Use 的实现原理是什么？
追问 2：工具返回错误时 Agent 应如何处理？
将错误信息作为 Observation 回传，让模型重试、换工具或向用户澄清；设置最大重试与超时，避免死循环。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具
- LangChain
最流行的 LLM 应用开发框架，137K+ stars。提供链式编排、RAG 检索增强生成、Agent 构建等核心能力，覆盖 Python 和 JavaScript 双语言生态，是构建 LLM 应用的基础设施
- MCP Playwright
Playwright 浏览器自动化的 MCP 实现，将成熟的 Playwright 测试框架能力通过标准 MCP 协议暴露给 AI Agent。支持网页抓取、表单自动化、E2E 测试场景、SPA 应用交互等完整浏览器自动化能力。5,400+ GitHub Star，相比原生浏览器 MCP 方案，Playwright 的跨浏览器支持（Chromium/Firefox/WebKit）和成熟 API 使其在复杂场景下更可靠
- AutoGen / AG2
微软开源对话式多 Agent 框架，54,000+ GitHub stars（最高），强项是代码沙箱和迭代调试，多个 Agent 通过对话协作完成复杂编程任务，MIT 协议
- crewAI
角色扮演 AI Agent 编排框架，49,411+ stars。通过角色分配让多个 Agent 协作完成复杂任务，支持工具调用、任务委派、结果审核。是构建 Multi-Agent 系统的最流行框架。