ReAct是一种将推理（Reasoning）与行动（Acting）相结合的智能体（Agent）设计模式，常见于大语言模型（LLM）应用开发（如 LangChain、AutoGPT）。
它的核心思想是让模型在解决复杂任务时交替进行：
- 思考（Thought）：分析当前状态，规划下一步。
- 行动（Action）：调用外部工具（如搜索、计算器、API）。
- 观察（Observation）：接收工具返回的结果。
| 步骤 | 名称 | 核心职责 | 功能描述 |
|---|---|---|---|
| 1 | Thought 思考 | 规划 | 思考用户问题，制定行动方案 |
| 2 | Action 行动 | 执行 | 调用工具 |
| 3 | Observation 观察 | 接收 | 获取原始结果，作为推理依据 |
| 4 | Thought 思考（评估） | 判断决策 | 评估信息是否足够（如果不满足回答，决定下一步 Action 行动做什么事情），决定循环或结束 |
| 5 | Answer 回答 | 输出 | 向用户输出最终答案 |
典型流程示例（用户问：“今天XX公司股价是多少？”）：
- Thought 思考：我需要查找今天的股价。# 思考用户问题，制定行动方案
- Action 行动：Search[XX公司 股价 2026-04-21]# 调用工具
- Observation 观察：收盘价 125.30 元# 获取工具返回的原始结果，作为下一步推理的依据
- Thought 思考（评估）：已获得答案。# 评估当前积累的观察结果是否足以回答用户问题。若信息不足，指定下一步行动任务 返回第2步循环执行。
- Answer 回答：XX公司今日收盘价为 125.30 元。# 向用户输出最终答案
ReAct 的核心循环是：
行动 → 观察 → 思考（评估）。若信息不足则继续行动，直至积累的信息足以回答用户问题，最后输出答案。
优势：
- 提高事实准确性（结合外部数据）
- 增强可解释性（推理过程可见）
- 处理需要多步交互的复杂任务
典型应用：代码生成、生成文档、数据分析、自动化操作等。
Trae 内置的 ReACT 模式回答用户问题
用户问题：重构这个函数并添加错误处理
Trae 内部执行流程：
- Thought（思考）：需要先读取当前代码 → Action（行动）：读取文件
- Observation（观察）：获得代码内容
- Thought（思考/评估）：需要理解函数逻辑 → Action（行动）：分析依赖
- Observation（观察）：发现有3个依赖函数
- Thought（思考/评估）：信息充足，可以开始重构 → Action（行动）：生成新代码
- Answer（回答）：输出重构后的代码
