AI智能体怎么工作？用找餐厅订位例子，大白话讲透ReAct框架

先说结论：AI智能体靠“想-做-看”循环搞定任务

我最近折腾AI智能体，发现它们干活的核心套路其实挺简单——就是ReAct框架。说白了，就是让AI先动脑子想（Reasoning），再动手做（Action），然后看看结果（Observation），循环往复直到任务完成。这比传统AI那种“输入-输出”的呆板模式灵活多了，特别适合解决复杂问题。今天我就用找餐厅订位子的例子，掰开揉碎了讲给你听，保证你听完就懂。

ReAct框架：AI的“思考-行动”循环

ReAct是Reasoning（推理）和Acting（行动）的缩写，但我觉得它更像一个三步循环：Thought（思考）→ Action（行动）→ Observation（观察）。这就像你平时做事：先琢磨怎么办，再动手试试，然后看看效果，不行就调整。AI智能体也这么干，只不过它用代码和算法来实现。

举个例子，假设你让AI智能体帮你“找一家附近的中餐厅并订位”。传统AI可能直接给你一堆餐厅列表，但ReAct智能体会这样操作：

• Thought：先思考任务——“用户要订中餐厅，我得先找到餐厅，再联系订位”。
• Action：执行行动——比如调用搜索API找餐厅列表。
• Observation：观察结果——获取到餐厅信息，比如“A餐厅有位置，B餐厅已满”。
• 然后循环：再思考“A餐厅不错，下一步要订位”，行动“调用订位API”，观察“订位成功或失败”……直到任务完成。

这比一次性输出聪明多了，因为AI能根据反馈动态调整，就像有个小助手在帮你跑腿。我试过用这框架做自动化任务，效率提升明显，尤其是处理多步骤的活儿。

用找餐厅订位例子，一步步拆解ReAct

为了让你更清楚，我模拟一个完整场景。假设智能体叫“小智”，任务是“在市中心找一家评分4星以上的川菜馆，并预订今晚7点2人位”。

第一步：思考（Thought）

小智先解析任务：用户要川菜馆、评分≥4星、在市中心、今晚7点2人位。它得拆解成子任务：1) 搜索符合条件的餐厅；2) 检查是否有空位；3) 执行预订。思考过程在代码里通常体现为生成文本或逻辑判断，比如：“我需要先获取餐厅列表，再筛选和预订。”

第二步：行动（Action）

小智执行具体操作。例如：

• 行动1：调用搜索工具，输入“市中心 川菜馆 评分4星以上”。
• 行动2：从结果中选一家（比如“辣味轩”），调用查询API检查今晚7点是否有2人位。
• 行动3：如果有空位，调用预订API提交信息。

这些行动可以是调用外部API、运行代码或模拟点击——总之是能改变状态的操作。我写代码时常用函数来封装行动，让智能体按需调用。

第三步：观察（Observation）

每次行动后，小智观察结果：

• 观察1：搜索返回了5家餐厅列表，包括“辣味轩”评分4.2。
• 观察2：查询显示“辣味轩”今晚7点有2人空位。
• 观察3：预订API返回“成功，预订码12345”。

观察结果反馈给思考环节，驱动下一步决策。如果某步失败（比如餐厅满员），小智就重新思考，尝试其他选项。这循环一直持续，直到任务完成或失败退出。

我实际测试时，发现这种循环让AI更“抗造”——遇到问题不会卡死，而是尝试绕路。比如如果“辣味轩”满了，小智可能自动搜索下一家，省得你手动干预。

代码示意：简单实现ReAct循环

光说太虚，我写个简化版Python代码示意，用伪API模拟。假设我们有搜索和预订两个工具函数。

import time

# 模拟工具函数
def search_restaurants(query):
    """搜索餐厅，返回列表"""
    # 这里简化：直接返回模拟数据
    if "川菜" in query:
        return [{"name": "辣味轩", "rating": 4.2, "available": True},
                {"name": "川香楼", "rating": 3.8, "available": False}]
    return []

def book_table(restaurant_name, time, guests):
    """预订餐厅，返回结果"""
    # 模拟预订逻辑
    if restaurant_name == "辣味轩" and guests == 2:
        return "预订成功，码：12345"
    return "预订失败，请重试"

# ReAct智能体主循环
def react_agent(task):
    """简单ReAct实现：思考-行动-观察循环"""
    thought = f"任务：{task}. 我需要先找餐厅，再预订。"
    print(f"Thought: {thought}")
    
    # 第一轮：搜索餐厅
    action = "搜索：市中心 川菜馆 评分4星以上"
    print(f"Action: {action}")
    observation = search_restaurants("市中心 川菜馆 评分4星以上")
    print(f"Observation: {observation}")
    
    # 思考结果
    if observation:
        restaurant = observation[0]  # 选第一个
        thought = f"找到餐厅：{restaurant['name']}。检查空位并预订。"
        print(f"Thought: {thought}")
        
        # 第二轮：预订
        action = f"预订：{restaurant['name']}, 时间今晚7点, 2人"
        print(f"Action: {action}")
        observation = book_table(restaurant['name'], "今晚7点", 2)
        print(f"Observation: {observation}")
        
        # 判断完成
        if "成功" in observation:
            return "任务完成！"
        else:
            return "任务失败，尝试其他餐厅。"
    else:
        return "未找到餐厅，任务结束。"

# 运行示例
if __name__ == "__main__":
    task = "在市中心找一家评分4星以上的川菜馆，并预订今晚7点2人位"
    result = react_agent(task)
    print(f"结果：{result}")

这段代码只是个示意，真实项目会更复杂（比如加入循环、错误处理）。但核心逻辑一样：思考生成行动，行动后观察，再思考……输出类似：

Thought: 任务：在市中心找一家评分4星以上的川菜馆，并预订今晚7点2人位。我需要先找餐厅，再预订。
Action: 搜索：市中心 川菜馆 评分4星以上
Observation: [{'name': '辣味轩', 'rating': 4.2, 'available': True}, {'name': '川香楼', 'rating': 3.8, 'available': False}]
Thought: 找到餐厅：辣味轩。检查空位并预订。
Action: 预订：辣味轩, 时间今晚7点, 2人
Observation: 预订成功，码：12345
结果：任务完成！

你可以看到，智能体一步步推进，中间还能处理数据（比如选第一个餐厅）。我建议动手跑跑代码，改改参数体验下——这比干读文章强多了。

注意事项和总结

ReAct框架虽好，但别把它当万能药。我总结几点注意事项：

• 依赖外部工具：智能体行动需要API或工具支持，比如搜索、预订。如果工具挂了，智能体就抓瞎。所以实际开发中，得做好错误处理和降级方案。
• 思考质量关键：思考环节靠AI模型（如GPT）生成，如果模型“胡思乱想”，行动可能跑偏。我常加些约束，比如限定行动类型或格式。
• 循环可能无限：如果任务复杂，循环可能停不下来。得设个最大步数或超时机制，防止死循环。
• 适合复杂任务：简单任务（比如问天气）用ReAct可能杀鸡用牛刀。但对于多步骤、需交互的活儿（如订餐厅、写代码），它优势明显。

总之，ReAct让AI智能体更“智能”——不是一次性输出答案，而是像人一样边想边做。通过找餐厅订位的例子，你应该能直观理解这个循环。下次看到AI智能体，你就知道它背后在默默“思考-行动-观察”呢。

如果你对实现细节感兴趣，可以搜搜LangChain或AutoGPT，它们常用ReAct模式。有啥问题，欢迎来我博客298.name交流——我最近在折腾智能体项目，踩了不少坑，或许能帮到你。