AI Agent 架构设计：ReAct、CoT与Tool Use三大范式对比
AI Agent 的推理能力直接决定了其解决问题的效果。目前业界形成了三种主流的推理架构范式：Chain-of-Thought (CoT)、ReAct和Tool Use。本文将深入对比三者的原理、适用场景和代码实现。
一、Chain-of-Thought (CoT)：让模型"先想后答"
核心思想
CoT 通过在 Prompt 中引导模型逐步展示推理过程，而非直接给出答案。研究表明，让模型"说出思考过程"能显著提升复杂任务（数学、逻辑推理）的准确率。
经典示例
# CoT Prompt 示例cot_prompt = """请逐步思考并回答下面的问题：问题：一个农场里有鸡和兔，头共35个，脚共94只。鸡和兔各有多少只？思考过程：1. 假设全是鸡，35个头应该有 35 x 2 = 70 只脚2. 实际有94只脚，多出 94 - 70 = 24 只脚3. 每只兔比鸡多2只脚，所以兔有 24 / 2 = 12 只4. 鸡有 35 - 12 = 23 只
答案：鸡23只，兔12只"""
优缺点
优点 缺点 ------------ 无需外部工具，纯文本推理 无法获取实时信息 显著提升逻辑任务准确率 幻觉问题无法避免 实现简单，成本低 不能执行代码或调用API
二、ReAct：推理与行动交替进行
核心思想
ReAct（Reasoning + Acting）是CoT + 工具调用的结合。Agent 在每一步交替执行：1.Thought（思考）：分析当前状态，决定下一步2.Action（行动）：调用工具或输出结果3.Observation（观察）：获取工具返回的结果
ReAct 循环流程
用户输入 -> Thought -> Action -> Observation -> Thought -> Action -> ... -> 最终答案Python 实现示例
import reclass ReActAgent: def __init__(self, llm, tools): self.llm = llm self.tools = tools self.scratchpad = "" # 思考记录 def run(self, query, max_steps=5): self.scratchpad = f"Question: {query} " for step in range(max_steps): # 1. Thought：思考下一步 thought_prompt = self.scratchpad + " Thought:" thought = self.llm(thought_prompt) self.scratchpad += f"Thought: {thought} " # 2. Action：决定行动 action_prompt = self.scratchpad + " Action:" action_text = self.llm(action_prompt) self.scratchpad += f"Action: {action_text} " # 解析 Action action_match = re.search(r'[(.?)(?:((.?)))?]', action_text) if not action_match: return action_text # 直接输出答案 tool_name = action_match.group(1) tool_input = action_match.group(2) or "" # 3. Observation：执行工具 if tool_name in self.tools: obs = self.toolstool_name self.scratchpad += f"Observation: {obs} " else: return f"Tool '{tool_name}' not found" return self.scratchpad
工具定义
tools = { "Search": lambda q: f"搜索结果：关于'{q}'的相关信息...", "Calculator": lambda expr: str(eval(expr)) # 注意：生产环境需安全沙箱}
优缺点
优点 缺点 ------------ 推理与工具调用无缝结合 循环次数可能过多，成本高 可追溯每一步决策过程 对 Prompt 工程要求高 能处理需要实时信息的任务 可能陷入循环或重复调用
三、Tool Use (Function Calling)：结构化工具调用
核心思想
Tool Use 是一种结构化输出范式。LLM 不直接生成文本，而是输出函数调用参数（JSON格式），由外部系统执行函数后将结果返回给模型。
OpenAI Function Calling 示例
import openaifunctions = [ { "name": "get_weather", "description": "获取指定城市的天气信息", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名称"}, "date": {"type": "string", "description": "日期，格式YYYY-MM-DD"} }, "required": ["city"] } }]
response = openai.chat.completions.create( model="gpt-4", messages=[{"role": "user", "content": "北京明天天气怎么样？"}], functions=functions, function_call="auto")
模型可能返回函数调用：
{"name": "get_weather", "arguments": "{"city": "北京", "date": "2025-01-16"}"}
与 ReAct 的对比
特性 ReAct | Tool Use -------------|---------- 输出格式 自由文本 | 结构化JSON 可解析性 需正则/LLM解析 | 直接解析 可控性 较低 | 高（参数可校验） 适用场景 探索性任务 | 确定性工具调用 主流框架 LangChain ReAct | OpenAI Functions, Claude Tools
四、三种范式对比总结
维度 CoT | ReAct | Tool Use -----------|-------|----------核心能力纯推理 | 推理+行动 | 结构化工具调用信息来源仅训练数据 | 实时工具 | 实时工具复杂度低 | 中 | 中成本最低 | 较高（多轮调用） | 较低（单轮/少轮）可追溯性中（需查看推理链） | 高（完整Thought-Action-Observation） | 中（仅工具调用记录）推荐场景数学/逻辑推理 | 复杂多步骤任务 | 确定性API调用
五、如何选择？
- 纯逻辑问题-> 用CoT
- 需要查信息再回答-> 用ReAct
- 与外部API/数据库交互-> 用Tool Use
- 生产环境复杂任务->ReAct + Tool Use 混合（如 LangChain Agent）
六、LangChain 中的统一实现
from langchain.agents import Tool, AgentExecutor, create_react_agentfrom langchain import hubfrom langchain_openai import ChatOpenAIllm = ChatOpenAI(model="gpt-4")tools = [Tool(name="Search", func=search_func, description="搜索工具")]prompt = hub.pull("hwchase17/react")agent = create_react_agent(llm, tools, prompt)executor = AgentExecutor(agent=agent, tools=tools, verbose=True)executor.invoke({"input": "查找今天的热门AI新闻"})
LangChain 将三种范式统一封装，开发者可以灵活组合使用。
---
总结：没有最好的范式，只有最合适的场景。理解三者差异，才能在项目中做出正确选择。
)
