ReAct 思考-动作-观察模式

ReAct（Reasoning + Acting 协同思考动作模式）是一种将大语言模型的“显式符号推理 (Reasoning)”与“外部环境交互动作 (Acting)”紧密交织结合的基石 Agent 设计范式；在执行任务时，模型严格按照闭环三部曲推进：1) 思考 (Thought: 审视当前目标与已有信息，推演下一步应该做什么)；2) 动作 (Action: 触发具体的外部工具调用，如 `Search[query]` 或 API 调用)；3) 观察 (Observation: 外部环境返回执行输出)；模型基于新的 Observation 展开下一轮 Thought，直到达成目标并输出 `Final Answer`。

复杂多步网络搜索调研、自动化运维排障、动态环境探索以及各主流 Agent 框架（LangChain, AutoGPT, CrewAI）的基础执行主循环。

单纯推理 (Only Reasoning, 如纯 CoT) 容易产生事实幻觉且无法感知外部动态信息；单纯动作 (Only Acting) 缺乏全局规划与自省能力、极易盲目乱调工具；ReAct 实现了思考指导动作、动作反馈校准思考的协同增效。

详细剖析 ReAct 提示词结构（Few-shot ReAct Exemplars、Format Instructions 与 Stop Sequences 截断标记）？

为什么在 ReAct 循环中显式生成 Thought 能够显著降低工具调用参数错误率并提高长链条任务的推理轨迹可解释性？

当 Observation 返回了包含 404 报错或完全无关的搜索结果时，ReAct Agent 是如何通过 Thought 进行策略调整与改道重试的？

ReAct 循环的步数爆炸 (Step Explosion) 与 Token 线性膨胀问题：如何设置 `max_iterations` 截断与历史状态摘要？

原生 Function Calling (如 OpenAI tools) 相比早期基于文本正则匹配的 ReAct（解析 `Action: ...`）在解析鲁棒性上的演进？