ReAct大模型学习指南：边查边想，提升任务成功率，小白也能轻松掌握收藏！

ReAct是一种将推理与行动结合的大模型方法，通过交替进行推理文本、动作和环境观察，提升任务解决能力。实验证明，在知识问答和交互任务中，ReAct均能有效提高成功率。本文将带你读懂ReAct的核心原理和实践方法，适合大模型初学者学习和收藏。

先看三个要点

• 研究问题：

  大模型只做推理时，可能依赖错误事实；只调用工具时，又可能缺少规划和信息整合。怎样让推理指导行动，让外部反馈继续修正推理？

• 解决方案：

  ReAct 将推理文本、动作和环境观察组织成交替进行的任务轨迹。模型选择下一步动作，程序执行工具，并将返回结果交给模型继续处理。

• 效果与结论：

  论文的 WebShop 实验中，ReAct 成功率为 40.0%，Act-only 为 30.1%，提高 9.9 个百分点；但在 HotpotQA 上，ReAct 仍低于 CoT。结果支持推理与行动结合的价值，也表明收益依赖任务和配置，并非所有场景都会提升。

ReAct 由 Shunyu Yao 等人提出，发表于 ICLR 2023。读懂这篇论文，可以从一次搜索失败后，模型如何调整行动说起。

01　先看一个需要“边查边想”的问题

论文图 1 给出了一道多跳问答：除了 Apple Remote，还有什么设备能控制它最初配套使用的那个程序？

要回答它，需要先确定那个程序是什么，再查这个程序还支持什么控制方式。把问题拆成两步并不难，困难在于：第一步的事实是否可靠，搜索结果是否指向了正确对象。

论文展示的 ReAct 轨迹是这样的：

• 先搜索 Apple Remote，得到与 Front Row 程序有关的信息。
• 接着搜索 Front Row，却没有直接找到目标页面，环境返回相似条目。
• 根据反馈，把搜索词改成 Front Row (software)。
• 在新结果中找到键盘功能键也能控制它的依据，再提交答案。

关键在第三步：下一次搜索由上一次搜索的反馈推动。 模型根据新信息调整查询，逐步找到答案。

原论文图 1 上半部分：同一问题的四种处理方式。绿色标出支持正确答案的内容，红色标出错误。来源：Yao 等，ReAct，原图，CC BY 4.0。摘取问答面板。

在这里的实验设置中，普通提示直接回答；思维链 CoT 增加中间推理；Act-only 保留动作和环境反馈；ReAct 则让三者交替参与求解。

02　三种信息，来自不同的地方

ReAct 的典型问答循环包含三个部分：

最关键的边界是：Thought 和 Action 是模型的输出，Observation 应由执行环境提供。

模型写出“我查到了某条事实”，不代表它真的搜索过。只有程序执行对应动作，并把结果接回来，才产生了这次外部交互的证据。

Thought 只更新上下文；搜索、移动物体等动作才与环境交互。推理也不必出现在每一步：操作较多时，可以只在规划、判断状态或调整目标时生成。论文第 2 节

什么时候查、查什么，由谁决定？

模型根据任务、示例和当前历史生成动作，开发者定义可用工具及执行规则。例如，Search[Front Row (software)] 的搜索词由模型选择；结果返回后，模型再决定继续查找、换词还是提交答案。

基础 ReAct 主要通过少量示范轨迹引导这种行为，没有独立的“事实不足检测器”替它判断。因此，它仍可能选错词、误读结果或过早结束。

03　打开源码，循环其实很小

作者公开的 HotpotQA 示例 使用 GPT-3。下面用伪代码概括核心循环：

context = instruction + demonstrations + question

for step in range(1, 8):
output = model(context, stop=f"/nObservation {step}:")
thought, action = parse(output)
observation, done = environment.step(action)
context += format_step(thought, action, observation)
if done:
break
else:
environment.step("finish[]")

第一，程序在 Observation 标记处停止模型生成。

程序让模型生成 Thought 和 Action，在 Observation 标记处截停，再执行工具、填入返回结果。输出格式仍需解析；示例也设置了解析失败后重新请求动作的补救分支。

第二，历史直接追加在提示词中。

每轮推理、动作和观察都会追加到上下文，下一轮完整交给模型。这份实现没有向量记忆库或历史检索器；跨任务记忆、历史压缩、按需回看，需要另行设计。

第三，工具非常克制。

WikiEnv 主要支持三个问答动作：

• search[entity]

：搜索维基百科；找到页面时，代码抽取并返回前五句，未直接找到时返回相似条目。

• lookup[keyword]

：在当前页面的文本中，依次返回包含关键词的句子。

• finish[answer]

：提交答案并结束任务。

其中 lookup 使用不区分大小写的字符串匹配。

第四，主动结束与强制结束是两回事。

模型可以生成 finish[answer]。但 HotpotQA 示例最多允许七轮；超过限制仍未结束，程序就提交空答案结束任务。这是开发者设置的上限，不代表模型已经确认信息充分。

04　实验结果，需要拆开来看

知识问答：ReAct 并非全面胜出

主文表 1 使用 PaLM-540B。HotpotQA 评价多跳问答，指标是答案精确匹配率 EM；FEVER 评价事实核验，指标是分类准确率。两列均以百分比表示，越高越好。

数据：论文表 1，第 5 页，摘录提示方法结果。

ReAct 在两个任务中都超过 Act-only，但在 HotpotQA 上低于 CoT。外部检索能提供事实依据，也可能因搜索失败、推理失误而拖累答案。

组合方法取得了更高分数，但有额外的采样与检索成本。CoT-SC 使用 21 条推理轨迹投票；CoT-SC → ReAct 在最高票答案不足半数时转向检索；反向组合则在 ReAct 达到步数上限仍未回答时退回 CoT-SC。这些切换由程序规则控制。论文第 3.2 节

原论文图 2：横轴为 CoT-SC 采样次数，左右分别为 HotpotQA EM 与 FEVER 准确率。来源：Yao 等，ReAct，原图，CC BY 4.0。仅裁去周边正文。

选择方案时，还需在相同预算约束下比较准确率、耗时和成本。

交互任务：规划和状态跟踪的作用更明显

论文表 3、表 4 还报告了两个模拟环境的结果：

• ALFWorld：

  通过文本动作完成找物品、清洗、放置等任务。在 134 个评估任务、六种提示配置中，ReAct 平均成功率为 57%，最佳配置为 71%；Act-only 最佳配置为 45%。

• WebShop：

  根据多个条件查找并选择商品。在 500 条测试指令上，ReAct 成功率为 40.0%，Act-only 为 30.1%，提高 9.9 个百分点。

这些结果体现了规划与状态跟踪的作用：拆分目标、记住已完成的步骤，再根据反馈继续行动。它们衡量的是模拟任务表现，并非真实机器人操作或实际购物效果。

05　有轨迹，依然会犯错

作者从 HotpotQA 中为 ReAct、CoT 各抽取 50 条成功与 50 条失败轨迹，共 200 条进行人工分析。ReAct 失败样本中，推理错误占 47%，搜索结果错误占 23%；重复动作、陷入循环也属于推理错误。论文表 2

表中的 ReAct“幻觉”类别为 0%，仅代表这组抽样与分类结果。其他任务依然出现了编造信息的问题。

论文图 5 的任务是把两串钥匙放进保险箱。模型找到第一串后，错误地认为另一个位置还有第二串钥匙，随后沿着这个错误判断继续行动。作者展示了人工编辑两处推理文本、让任务转向成功的一条轨迹。

原论文图 5：左侧轨迹包含错误判断，右侧展示人工编辑两处推理文本后的行为变化。这是人工干预示例，不是规模化可靠性的证明。来源：Yao 等，ReAct，原图，CC BY 4.0。仅裁去周边正文。

执行轨迹便于定位错误，也提供了人工介入的位置。但 Thought 仍是模型生成的文本，可能包含错误解释。可读的轨迹，不等于经过验证的内部因果解释。

06　它与 RAG、信息来源追踪是什么关系？

简单的 RAG（检索增强生成）通常先检索材料，再生成答案。把知识库检索接入 ReAct 后，模型可以根据已有结果继续改写查询、补充检索，直到提交答案。是否值得增加交互轮次，需要结合收益与成本判断。

进一步，如果我们关心“最终这句话究竟来自哪里”，ReAct 提供了可记录的交互节点，但还没有完成逐句归因。

调用过某篇文档，只能说明系统接触过它；不能自动证明答案里的每句话都来自它。

要做一个可核查的系统，我会在此基础上增加三类记录：

• 每次工具调用的参数、返回原文、来源地址、时间与版本，保存模型当时实际看到的内容。
• 最终答案中的关键事实，与支持它的具体段落建立对应关系；没有足够依据时明确标记。
• 将“检索没找到”“证据被误读”“引用不支持结论”“程序执行失败”分别统计。

这属于基于论文提出的工程扩展，不是 ReAct 已经实现的完整能力。对于模型依靠参数知识生成的内容，更不能只看输出就精确还原其训练来源。

07　把论文变成一个可比较的实验

可以从文档问答入手：在同一模型、文档和检索工具下，比较“一次检索”“允许多轮检索”“多轮检索并关联具体证据”三种设置。除了答案正确率，还记录证据支持程度、无效检索和实际耗时、成本。

这是一项基于论文的实验建议。如果多轮检索没有提升，就沿轨迹检查：查询选错了、资料缺失、证据被误读，还是已经找到答案却没有停止？

ReAct 的启发，是把推理放进能接受外部反馈的过程，再用任务结果检验这个过程。 能解释一次 Agent 为什么多查了一步、为何错误地停止，才开始把论文变成自己的工程判断。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。