企业官网建设流程全解析

网站建设后台管理实训报告,网络营销的重要性,手机域名注册网站,软件技术专业介绍公布文章目录引言传统 LLM 的局限性#xff1a;为什么需要 ReActReAct 范式登场#xff1a;思考、行动、观察、迭代的循环ReAct是谁提出来的#xff1f;什么是 ReAct 范式ReAct Agent#xff1a;具有“手脚”的智能体定义案例深入后端开发#xff1a;ReAct Agent 的实现框架Sp…文章目录引言传统 LLM 的局限性为什么需要 ReActReAct 范式登场思考、行动、观察、迭代的循环ReAct是谁提出来的什么是 ReAct 范式ReAct Agent具有“手脚”的智能体定义案例深入后端开发ReAct Agent 的实现框架Spring AI Alibaba (声明式/配置式)LangChain4j (命令式/编排式)对比总结总结引言在人工智能领域大型语言模型LLM的出现带来了前所未有的可能性。然而LLM 并非万能它们会“幻觉”它们无法实时获取信息。为了弥补这些不足ReAct 范式应运而生它赋予了 LLM 像人类一样“思考”Reasoning和“行动”Acting的能力从而构建出更强大、更可靠的ReAct Agent。传统 LLM 的局限性为什么需要 ReAct想象一下你问一个普通的 LLM“请帮我规划一下从上海到北京的火车票并告诉我天气情况。”票务信息LLM 可能会给出一些看似合理但实际上是虚构的票务信息因为它无法访问实时票务系统。天气信息LLM 只能根据其训练数据回答历史天气而无法提供实时天气。核心问题传统的 LLM 缺乏与外部世界交互的能力它们无法调用工具也无法根据真实世界的反馈进行调整。ReAct 范式登场思考、行动、观察、迭代的循环ReAct是谁提出来的在人工智能领域ReActReasoning and Acting框架是由普林斯顿大学Princeton University和谷歌研究院Google Research特别是 Brain 团队的科研人员共同提出的。该框架首次出现在 2022 年发表的论文 《ReAct: Synergizing Reasoning and Acting in Language Models》 中。其主要贡献者包括姚顺雨 (Shunyu Yao)论文第一作者来自普林斯顿大学。Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Yuan Cao来自谷歌研究院。Karthik Narasimhan来自普林斯顿大学。姚顺雨Shunyu Yao目前被公认为 AI Agent人工智能体领域的全球顶尖青年学者和领军人物之一。小八卦2025 年 12 月腾讯官方确认姚顺雨已正式加盟出任首席 AI 科学家Chief AI Scientist直属于 CEO/总裁办并领导新成立的AI Infra 部门和大模型部门。什么是 ReAct 范式它的核心逻辑是一个四元组的循环Thought (思考) → Action (行动) → Observation (观察) →迭代核心组件分解Thought (推理)模型对当前任务进行分析计划下一步要做什么例如“我需要查询当前的股价”。Action (行动)模型决定调用哪个外部工具Tool/Function Calling并给出参数例如调用get_stock_price(symbolAAPL)。Observation (观察)模型接收外部工具返回的真实结果例如“Apple 股价为 190 美元”。迭代基于观察结果继续思考和行动直到完成任务。ReAct Agent具有“手脚”的智能体定义ReAct Agent就是基于 ReAct 范式构建的智能体。你可以把它想象成一个拥有大脑LLM和“手脚”外部工具的机器人。它不再仅仅是回答问题而是能够理解并规划解析用户意图。调用工具执行特定的外部操作。处理反馈根据工具返回的真实世界信息调整策略。迭代优化通过多轮思考-行动-观察逐步接近最终答案案例这样说太干了来点案例用户“计算一下 2023 年 8 月 15 日上海浦东新区有多少人会去迪士尼乐园然后告诉我当天是否会下雨”Thought:“用户想知道迪士尼客流量和天气。我需要一个获取客流量的工具和一个天气查询工具。客流量可能需要结合历史数据和节假日因素天气是实时的。”Action:“调用get_disney_attendance_estimate(date2023-08-15, location上海浦东新区)工具。”Observation:“迪士尼乐园在 8 月 15 日非周末预计客流量为 30,000 人。”Thought:“我已经获取了客流量。现在需要获取天气信息。”Action:“调用get_current_weather(location上海浦东新区, date2023-08-15)工具。”Observation:“2023 年 8 月 15 日上海浦东新区预计小雨。”Thought:“我已经获取了所有需要的信息可以回答用户了。”Action:“回答用户‘根据预测2023 年 8 月 15 日上海浦东迪士尼乐园预计客流量为 30,000 人当天预计会有小雨。’”深入后端开发ReAct Agent 的实现框架对于后端开发者来说手动实现 ReAct 范式需要大量的提示词工程和状态管理。幸运的是目前主流的 AI 框架都提供了对 ReAct 的开箱即用支持Spring AI/Spring AI AlibabaLangchain4jSpring AI Alibaba (声明式/配置式)它更倾向于通过 Spring 的 Bean 注入和ChatClient来实现其深度绑定 Spring 生态。// 典型的 Spring 风格通过 ChatClient 绑定工具 var chatClient chatClientBuilder .defaultFunctions(currentWeatherTool) // 注册为 Spring Bean 的工具 .build(); // 执行时Spring AI 内部会封装 ReAct 的循环逻辑 String response chatClient.prompt(上海今天天气怎么样).call().content();LangChain4j (命令式/编排式)它更像是一个工具箱让你显式地构建“大脑”和“手脚”。如果你需要复杂的底层agent编排那它更加适合你。Assistant assistant AiServices.builder(Assistant.class) .chatLanguageModel(model) .tools(new WeatherTool()) // 手动绑定工具类 .chatMemory(MessageWindowChatMemory.withMaxMessages(10)) .build(); String response assistant.chat(上海今天天气怎么样);对比总结维度LangChain4jSpring AI Alibaba生态独立于框架Quarkus/Spring 均可深度绑定 Spring Boot / Cloud灵活性极高适合从底层定制 Agent 行为较好遵循“约定大于配置”上手难度需要学习复杂的链/服务概念只要会用 Spring上手非常快推荐场景复杂的、非 Spring 环境的多 Agent 协作现有的 Java 微服务系统增加 AI 能力总结ReAct范式很好地指导了agent如何思考并调用工具解决用户提出的问题虽然耗费的token会多很多但是幻觉问题得到大大缓解。这是agent开发的新的指导范式和里程碑。