本文发布时间：2026年4月10日 北京时间

关键词：AI Agent、ReAct、Plan-and-Execute、Function Calling、LangGraph

适用读者：技术入门/进阶学习者、在校学生、面试备考者、相关技术栈开发工程师

文章定位：技术科普 + 原理讲解 + 代码示例 + 面试要点，兼顾易懂性与实用性

前置知识：了解大模型（LLM）的基本概念即可

2026年，人工智能正从“对话框时代”全面跨入 AI Agent（人工智能智能体） 时代-5。许多学习者正陷入这样的困境：会调用模型API、会写Prompt，却分不清AI Agent和AI助手的本质区别；听说过ReAct模式，却说不透它的工作原理；面试被问到Agent架构，只能支支吾吾。本文将从最基础的概念讲起，逐层拆解AI Agent的核心模式，并通过代码示例让你真正“跑通”一个Agent，建立从概念到实践的完整知识链路。

一、痛点切入：为什么需要AI Agent

先来看一个常见场景：用户问“北京今天天气怎么样？适合穿什么？”

传统实现方式

 传统方式：硬编码调用
def get_weather(city):
     必须手动调用天气API
    response = requests.get(f"https://api.weather.com?city={city}")
    return response.json()

 然后手动将结果拼接成回答
weather_data = get_weather("北京")
answer = f"北京今天{weather_data['condition']}，气温{weather_data['temp']}℃，建议..."

这种方式有三个致命缺陷：

1. 流程僵化——每一步都是硬编码，用户问什么就调什么，毫无灵活性

2. 任务碎片化——模型无法自主判断“需要调什么工具”“什么时候调”

3. 扩展性差——新增一个工具就得改代码、加逻辑

如何让AI自己判断“要不要查天气”“查完天气如何给出穿衣建议”？这就引出了AI Agent的设计初衷：让大模型从“被动应答者”升级为“主动问题解决者” -。

二、核心概念：AI Agent（人工智能智能体）

标准定义

AI Agent（Artificial Intelligence Agent，人工智能智能体） 是由大语言模型（Large Language Model，LLM）动态地指挥自己的流程和工具使用方式的系统，能够自主感知环境、独立制订计划、调用工具执行行动，并在结果反馈中动态调整策略--1。

拆解关键词

• 自主性（Autonomy） ：Agent不需要人类一步步指导，能自己“想”下一步做什么

• 目标导向（Goal-Directed） ：Agent不是逐条响应指令，而是围绕一个高层目标连续做事

• 工具调用（Tool Use） ：Agent能主动调用引擎、API、代码执行器等外部工具-1

生活化类比

做个形象的对比：

• 大模型（LLM） ——“超级语言引擎”，会说话但没有手脚，被动响应

• AI助手（如ChatGPT、豆包） ——“会说话的大脑”，能多轮对话，但执行边界止于文字回应

• AI Agent ——“会行动的数字员工”，能自己拆解任务、调用工具、执行操作、交付结果-1

一句话记住：大模型是大脑，AI助手是会说话的大脑，AI Agent是完整的数字员工。

三、关联概念：ReAct模式（推理与行动）

标准定义

ReAct（Reasoning and Acting，推理与行动） 是一种Agent设计范式，让智能体在完成任务时，通过“思考 → 行动 → 观察”的迭代循环，模拟人类解决问题的思维方式-12。

它与AI Agent的关系

• AI Agent 是“要建造什么”——一个具备自主行动能力的系统

• ReAct 是“怎么建造”——一种具体的设计模式，让Agent能够边思考边行动

简单说：Agent是目标，ReAct是到达目标的路径之一。

工作机制：Thought → Action → Observation 循环

ReAct的核心是一个三组件循环-：

一句话理解

ReAct打破了“输入→输出”的单向链路，构建了“感知→决策→执行→反馈”的智能闭环-。

四、概念关系与区别总结

核心关系梳理

一句话概括

AI Agent是“有手有脚的AI”，ReAct是“教它如何动手动脚”的方法论。

五、代码/流程示例：用LangGraph构建一个ReAct Agent

下面用 LangGraph（LangChain生态中的开源框架，专用于构建基于LLM的复杂应用）-48构建一个简单的Agent，让它根据用户问题自主决定是否调用工具-48。

完整代码

 环境准备：pip install langgraph langchain langchain-openai

import os
from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage

 1. 定义Agent状态（存储任务执行过程中的所有数据）
class AgentState(TypedDict):
    user_query: str           用户原始问题
    thought: str              模型思考内容
    action: str               需要调用的工具
    action_input: str         工具调用参数
    observation: str          工具返回结果
    final_answer: str         最终答案

 2. 定义可用工具（模型可以调用的函数）
def search_weather(city: str) -> str:
    """天气查询工具"""
     实际场景中应调用真实API，这里用模拟数据
    weather_data = {"北京": "晴朗，18-25℃", "上海": "多云，20-28℃"}
    return weather_data.get(city, f"{city}天气数据暂不可用")

def calculate(expression: str) -> str:
    """计算器工具"""
    try:
        result = eval(expression)
        return f"计算结果: {result}"
    except:
        return "计算表达式有误"

 3. 工具注册表
TOOLS = {
    "search_weather": search_weather,
    "calculate": calculate,
}

 4. 定义思考节点（模型判断需要调用哪个工具）
def think_node(state: AgentState) -> AgentState:
    llm = ChatOpenAI(model="gpt-4", temperature=0)
    
    prompt = PromptTemplate.from_template("""
你是一个AI助手，需要根据用户问题决定下一步操作。
可用工具: search_weather（查询天气，参数city），calculate（计算数学表达式，参数expression）
用户问题: {user_query}

请按照以下格式输出：
思考：[分析用户需要什么]
行动：[选择要调用的工具]
行动输入：[工具所需的参数]
""")
    
    response = llm.invoke(prompt.format(user_query=state["user_query"]))
     解析响应，提取思考和行动（实际应用中需编写解析逻辑）
    state["thought"] = "需要查询北京天气"
    state["action"] = "search_weather"
    state["action_input"] = "北京"
    return state

 5. 定义行动节点（执行工具调用）
def act_node(state: AgentState) -> AgentState:
    tool_name = state["action"]
    tool_input = state["action_input"]
    
    if tool_name in TOOLS:
        result = TOOLS[tool_name](tool_input)
        state["observation"] = result
    else:
        state["observation"] = f"未知工具: {tool_name}"
    
    return state

 6. 定义观察节点（判断是否需要继续或结束）
def observe_node(state: AgentState) -> AgentState:
     根据观察结果生成最终答案
    state["final_answer"] = f"根据查询结果: {state['observation']}"
    return state

 7. 构建图流程
def build_agent():
    graph = StateGraph(AgentState)
    graph.add_node("think", think_node)
    graph.add_node("act", act_node)
    graph.add_node("observe", observe_node)
    
    graph.set_entry_point("think")
    graph.add_edge("think", "act")
    graph.add_edge("act", "observe")
    graph.add_edge("observe", END)
    
    return graph.compile()

 8. 运行Agent
agent = build_agent()
result = agent.invoke({"user_query": "北京今天天气怎么样？", "final_answer": ""})
print(result["final_answer"])

关键步骤解析

1. 定义状态（State） ：使用TypedDict定义Agent在运行过程中需要保存的所有数据，包括用户问题、思考内容、行动选择、观察结果和最终答案-48

2. 定义工具：search_weather和calculate是两个示例工具，Agent可以根据任务需求选择调用

3. 思考节点：大模型分析用户问题，决定“需要做什么”“调用哪个工具”

4. 行动节点：执行具体的工具调用，获取结果

5. 观察节点：根据工具返回的结果，生成最终答案或继续下一步

6. 图流程：通过有向图（StateGraph）组织各节点的执行顺序，LangGraph会自动管理状态传递和流程控制-48

新旧方式对比

六、底层原理支撑

ReAct如何让大模型“思考”？

ReAct模式的核心奥秘在于 系统提示词（System Prompt） -12。开发者向大模型发送一个精心设计的提示词，明确规定了：

• 角色定位：你是一个能调用工具的AI助手

• 输出格式：用Thought:标签写思考，用Action:标签写行动，用Observation:标签写观察

• 示例：提供完整的ReAct流程示例供模型参考

大模型接收到这个提示词后，就会按照规定的格式输出。开发者再通过解析输出中的标签，识别模型想要做什么，然后执行对应的工具调用。

Function Calling：工具调用的底层机制

上述示例中模型能“调用工具”，背后依赖的是 Function Calling（函数调用） 机制-21。工作原理分三步：

1. 注册：开发者通过tools字段向模型声明可用函数（名称、描述、参数结构）-25

2. 决策：模型分析用户问题，自主判断是否需要调用函数，返回结构化的调用指令

3. 执行：开发者负责实际执行函数，并将结果回填给模型

本质区别：ReAct是通过提示词引导模型按格式输出（控制权在模型），而Function Calling是模型直接返回结构化调用指令（控制权在开发者）-25。

记忆模块

真正的AI Agent还需要 记忆模块：短期记忆存储当前任务的上下文（避免“聊着聊着忘了前面说了什么”），长期记忆通过RAG（检索增强生成）技术存储历史偏好和历史交互数据，实现个性化服务-5。

七、进阶模式：Plan-and-Execute

ReAct适合“边走边想”的探索式任务，但对于步骤明确的任务，还有另一种模式——Plan-and-Execute（规划与执行）。

核心思想

将任务分解为两个独立阶段：规划阶段将复杂任务拆解为有序子任务序列；执行阶段按计划依次执行各子任务-。

何时选择哪种模式？

八、高频面试题与参考答案

Q1：AI Agent和传统大模型的核心区别是什么？

参考答案：

• 大模型是“超级语言引擎”，被动响应输入，输出文本，无记忆、无行动能力

• AI Agent在此之上增加了自主性（自己决策）、工具调用（动手做事）和闭环行动（感知→规划→行动→反馈），能从“认知”走向“执行”-1

踩分点：答出“被动 vs 主动”“只说 vs 既说又做”

Q2：解释ReAct模式的工作原理。

参考答案：
ReAct = Reasoning + Acting，核心是 “思考→行动→观察”迭代循环：思考阶段分析任务并规划下一步，行动阶段调用外部工具执行操作，观察阶段分析工具返回结果。这个循环持续进行，直至任务完成，最终输出答案-12-

踩分点：说出三个关键词（Thought/Action/Observation）+ 解释循环机制

Q3：Function Calling和ReAct有什么区别？各适合什么场景？

参考答案：

一句话区分：ReAct像给模型一份“问题解决流程手册”，Function Calling像给模型一套“标准化工具操作指南”-25

踩分点：答出两种方式的核心差异 + 至少一个典型场景

Q4：构建一个AI Agent需要哪些核心模块？

参考答案：
四大核心模块构建“感知→决策→行动→记忆”闭环-2：

• 感知模块：采集多源信息（文本、图像、API数据）

• 大脑模块：以大模型为核心，理解意图、拆解任务

• 行动模块：调用工具执行具体操作

• 记忆模块：短期记忆管理上下文，长期记忆存储历史偏好

踩分点：说出4个模块名称 + 简要说明各自职责

Q5：Plan-and-Execute模式相比ReAct有什么优缺点？

参考答案：

• 优点：一次性规划减少模型调用次数；执行顺序固定，可控性强

• 缺点：缺乏灵活性，中间环节失败时难以动态调整

• 选择建议：步骤明确的任务用Plan-and-Execute，探索性任务用ReAct

踩分点：对比两种模式的适用场景，体现对两种模式的深入理解

九、结尾总结

本文核心知识点回顾

易错点提醒

• 不要混淆：ReAct是“实现方式”，不是AI Agent本身

• 不要过度设计：简单任务用ReAct反而增加延迟，优先考虑单次Function Calling

• 注意上下文长度：复杂Agent任务可能触发上下文溢出，需合理规划记忆策略-35

下篇预告

本文重点讲解了ReAct模式，下一篇将深入 Multi-Agent System（多智能体系统） ，解析如何让多个Agent像人类团队一样分工协作，以及反思模式（Reflection） 如何让Agent实现自我纠错与持续进化。

学习建议：运行一遍代码示例，理解LangGraph的状态管理和图流程；再尝试添加一个自定义工具（如查询股票价格），体验Agent的扩展能力。理论与实践结合，才能真正掌握AI Agent的核心逻辑。