AI Agent 理论基石——从 ReAct 范式到框架工程化选型

发表于 2026-04-08 分类于 AI Agent

本文为「AI Agent 技术系列」第 1 篇，后续文章将分别深入 Function Calling、MCP 协议、LangChain 工程化、护栏与安全、上下文工程、多 Agent 协作等主题。

一、主题定义与背景

Agent 的权威定义

OpenAI 应用研究主管 Lilian Weng 在 2023 年的经典博文《LLM Powered Autonomous Agents》中给出了被广泛引用的定义：

“Agent = LLM + Planning + Memory + Tool Use”

其中 LLM 充当 Agent 的大脑，负责核心推理；Planning 模块将复杂任务拆解为可执行步骤；Memory 模块管理短期与长期记忆；Tool Use 模块让 Agent 能够调用外部工具获取信息或执行操作 [1]。

这一定义确立了 Agent 的四要素架构，至今仍是主流框架设计的基石。

范式演进时间线

Agent 的推理范式经历了三个关键阶段：

2022.01  CoT (Chain of Thought)
         └─ LLM 通过"让我们一步步思考"实现推理链
         └─ 局限：纯推理，无法与外部世界交互

2022.10  ReAct (Reasoning + Acting)  [2]
         └─ 推理与行动协同迭代：Thought → Action → Observation
         └─ 弥补 CoT 缺乏外部交互的短板
         └─ 成为当前 Agent 框架的主流范式

2024.02  CodeAct [3]
         └─ 用可执行 Python 代码统一行动空间
         └─ 代码即工具，更灵活地组合复杂操作
         └─ 当前框架从 ReAct 逐渐融合 CodeAct

2024-2025 年 Agent 工程化爆发

Agent 从研究走向工程化爆发，有两个驱动力：

模型能力跃升：GPT-4o、Claude 3.5、Gemini 2.0 等模型在推理和工具调用上达到生产可用水平
工具生态成熟：MCP 协议标准化工具集成、Function Calling 成为模型标配能力、Agent 框架（LangGraph、AutoGen、CrewAI）快速迭代

二、核心技术原理与架构设计

2.1 ReAct 模式深度拆解

ReAct 的核心是将推理（Reasoning）与行动（Acting）交替进行，形成闭环迭代：


flowchart LR
A[用户输入] --> B[推理 Reasoning]
B --> C[行动 Acting]
C --> D[观察 Observation]
D --> E{是否得到答案?}
E -->|否| B
E -->|是| F[输出最终结果]

三阶段详解：

阶段	职责	技术实现
Reasoning	LLM 分析当前任务状态，生成内部推理（Thought），决定下一步行动	Prompt 中要求模型输出 “Thought: …” 前缀
Acting	根据推理结果执行具体操作：信息查询、Function Call、代码执行	调用工具 API，将结果注入上下文
Observation	观察行动结果，将反馈用于下一轮思考或判断已完成	将工具返回值格式化为 “Observation: …” 追加到上下文

最小可运行示例（基于 LangChain ReAct Agent）：

// npm install langchain @langchain/openai @langchain/community

import { ChatOpenAI } from "@langchain/openai";
import { createReactAgent } from "@langchain/langgraph/prebuilt";
import { tool } from "@langchain/core/tools";
import { z } from "zod";

// 定义工具
const searchTool = tool(
  async ({ query }) => {
    // 此处接入实际搜索 API（如 DuckDuckGo、SerpAPI）
    return await fetchSearchResults(query);
  },
  {
    name: "search",
    description: "用于搜索互联网获取实时信息",
    schema: z.object({ query: z.string().describe("搜索关键词") }),
  }
);

// 创建 ReAct Agent
const llm = new ChatOpenAI({ model: "gpt-4o", temperature: 0 });
const agent = createReactAgent({ llm, tools: [searchTool] });

// 执行
const result = await agent.invoke({
  messages: [{ role: "user", content: "2025年最新的 AI Agent 框架有哪些？" }],
});
console.log(result.messages[result.messages.length - 1].content);

ReAct 的核心价值在于通过工具调用获取外部反馈，让 LLM 不再”闭门造车”，而是基于真实世界的信息进行推理 [2]。

2.2 Plan-and-Execute 模式

Plan-and-Execute 由 LangChain 团队在 2023 年提出，基于《Plan-and-Solve Prompting》论文的思路：

flowchart TD
    A[用户任务] --> B[Planner 规划器]
    B --> C[任务1]
    B --> D[任务2]
    B --> E[任务3]
    C --> F[Executor 执行器]
    D --> F
    E --> F
    F --> G[Summary 总结]

与 ReAct 的关键差异：

维度	ReAct	Plan-and-Execute
规划时机	每一步即时决策	先全局规划，再逐步执行
适合任务	探索性、需要动态调整	依赖明确、步骤可预期
可预测性	低（每步可能改变方向）	高（计划先行）
典型实现	LangChain ReAct Agent	LangChain Plan-and-Execute

Plan-and-Execute 的优势在于结构化流程，可预期性强，但缺点是倾向 workflow，缺乏动态调整能力。

2.3 Reflection 模式

Reflection（反思）模式通过自我纠错提升 Agent 性能，有三篇里程碑论文：

论文	核心思想	性能提升	出处
Reflexion	通过语言反馈（而非权重更新）强化 Agent，在情节记忆中维护反思文本	显著提升多轮任务表现	Shinn et al., arXiv:2303.11366 [5]
Self-Refine	先输出、再反馈、不断迭代，受人类改进文本方式启发	评估任务平均提升约 20%	Madaan et al., arXiv:2303.17651 [6]
CRITIC	结合外部工具（搜索引擎、代码执行器）验证输出，基于验证结果自我修正	提升事实准确性	Gou et al., arXiv:2305.11738 [7]

关键洞察：这三篇论文是 Reflection 模式的理论基础，但当前主流 Agent 框架的核心实践依旧离不开 ReAct——Reflection 通常作为 ReAct 的增强层存在。

2.4 Agent 工程核心三要素

无论框架如何演进，Agent 工程的本质可归纳为三要素：

flowchart TD
    subgraph Agent核心
        A[LLM Call<br/>推理本质]
        B[Tools Call<br/>执行本质]
        C[Context Engineering<br/>连接二者]
    end
    A <--> C
    B <--> C
    A -.->|推理决定调用| B
    B -.->|结果反馈推理| A

要素	职责	演进方向
LLM Call	兼容各大 LLM 厂商 API，提供标准化调用接口	从单一模型到多模型路由
Tools Call	Function Call → MCP → Skills，文件操作/网络搜索/代码执行	从单工具到工具编排
Context Engineering	提示词工程 + Tools 集成 + 记忆管理	从 Prompt 到文件系统即上下文

业内关于 Agent 工程有两大共识：

文件系统即上下文：使用文件保存 Agent 长期记忆（如 SOUL.md、TOOLS.md、MEMORY.md），让 Agent 在不同会话间拥有持续上下文
编程是通用解法：AI 更擅长使用代码解决问题——问题 → 生成代码 → 执行 → 迭代 → 解决。代码可视为 Tools 的高级形式（详见 CodeAct [3]）

三、实际应用场景与最佳实践

场景一：智能客服系统（Router 模式选型）

需求：构建客服系统，能处理订单查询、退换货、投诉、知识库搜索等任务。

选型分析：客服场景任务边界清晰、路由明确，适合 Router 模式——主 Agent 将请求路由给最专业的子 Agent。

框架选择：LangGraph（基于状态图，支持条件路由）

import { StateGraph, Annotation, END } from "@langchain/langgraph";

// 定义状态类型
const CustomerServiceState = Annotation.Root({
  query: Annotation<string>,
  intent: Annotation<string>,
  response: Annotation<string>,
});

// 路由器：识别用户意图
async function classifyIntent(state: typeof CustomerServiceState.State) {
  // LLM 判断意图，返回 "order" / "refund" / "complaint" / "knowledge"
  const intent = await llmClassify(state.query);
  return { intent };
}

// 订单查询子 Agent
async function orderAgent(state: typeof CustomerServiceState.State) {
  const response = await queryOrderSystem(state.query);
  return { response };
}

// 退换货子 Agent
async function refundAgent(state: typeof CustomerServiceState.State) {
  const response = await processRefund(state.query);
  return { response };
}

// 构建状态图
const graph = new StateGraph(CustomerServiceState)
  .addNode("classify", classifyIntent)
  .addNode("order", orderAgent)
  .addNode("refund", refundAgent)
  .addConditionalEdges("classify", (state) => state.intent, {
    order: "order",
    refund: "refund",
  })
  .addEdge("order", END)
  .addEdge("refund", END)
  .setEntryPoint("classify");

const app = graph.compile();

场景二：数据分析 Agent（Plan-and-Execute 选型）

需求：用户用自然语言提问，Agent 自动分析数据库并生成报告。

选型分析：数据分析任务依赖明确（先查数据、再分析、最后生成报告），适合 Plan-and-Execute 模式。

框架选择：LangChain Plan-and-Execute

五大框架对比（2025 年最新版本）

框架	定位	核心特点	适用场景	最新状态
LangChain	通用 Agent 框架	工具链丰富，社区成熟	快速构建 AI 应用原型	活跃迭代，已拆分为 LangChain + LangGraph + LangSmith [4]
LlamaIndex	数据索引与检索	高效文档处理与查询	RAG、知识密集型应用	专注数据层，与 LangChain 互补
AutoGen	多 Agent 对话协作	微软出品，对话驱动	复杂任务分解执行	v0.4+ 架构重构，API 大改 [8]
CrewAI	角色扮演协作	Agent 有明确角色目标	模拟团队协作场景	快速增长，适合结构化协作
LangGraph	状态图流程控制	精细化状态管理	复杂流程控制需求	LangChain 生态核心，生产推荐

选型决策建议：

快速出原型 → LangChain（最成熟，工具链丰富）
RAG 应用 → LlamaIndex（专注数据索引与检索）
多 Agent 协作 → AutoGen / CrewAI（专为多智能体协作而生）
复杂流程控制 → LangGraph（基于状态图，工作流灵活性高）

四、常见挑战与解决方案

挑战	表现	解决方案	代码要点
Agent 循环不收敛	Agent 反复调用工具，无法到达最终答案	设置最大迭代数 + 早停策略	`recursionLimit: 10`, 检测重复 Action
工具选择错误	Agent 选错工具或参数提取错误	优化工具描述 + 动态路由预筛选	工具 description 要包含使用场景
上下文窗口溢出	多轮对话后 token 超限	摘要裁剪 + 选择性共享上下文	定期 summarize 历史消息
幂等性问题	Agent 重试导致重复操作	共享状态写入需考虑幂等	操作前检查是否已执行
可观测性不足	无法调试多 Agent 交互	集成 trace/log，使用 LangSmith	每步记录 state 快照

循环不收敛的解决方案示例：

import { StateGraph, END } from "@langchain/langgraph";

// 早停策略：检测是否收敛
function shouldContinue(state: {
  iteration_count: number;
  last_action: string;
  current_action: string;
}) {
  if (state.iteration_count >= 10) {
    return "force_end";
  }
  if (state.last_action === state.current_action) {
    return "force_end"; // 检测重复 Action
  }
  return "continue";
}

graph.addConditionalEdges(
  "agent_step",
  shouldContinue,
  { continue: "agent_step", force_end: END }
);

五、行业趋势与前沿进展

从 ReAct 到 CodeAct 的演进

2024 年 2 月，Wang 等人提出 CodeAct [3]，核心思想是用可执行 Python 代码统一 Agent 的行动空间。与传统 Function Calling 相比，CodeAct 的优势在于：

统一行动空间：不再为每个工具定义单独的 Function，而是用代码组合
更灵活的组合：一个代码块可以串联多个工具调用
自我纠错：代码执行失败后，Agent 可以读取错误信息并修正代码

当前 LangChain 等框架已从纯 ReAct 逐渐融合 CodeAct，但推理与执行的本质并未改变。

Agent 评估基准

Agent 评估是 2024-2025 年的热点领域，主要基准包括：

基准	评估维度	最新状态
SWE-bench	软件工程任务（修 GitHub Issue）	SWE-bench Verified 500 实例子集，Claude 3.5 Sonnet 达 ~50% 通过率 [9]
SWE-bench-Live	自动更新的软件工程任务	3 天前更新，持续跟踪最新任务 [10]
AgentBench	通用 Agent 能力（Web/OS/检索/推理/游戏）	覆盖多环境交互与长程规划 [11]