为什么 LLM 搞不定复杂任务？ReAct 与 Reflexion 技术综述

思考 1：平底锅很油腻，我需要有效的清洗方法，可能涉及去油剂。  行动 1：搜索[清洗非常油腻平底锅的方法] 观察 1：推荐使用热水的、洗洁精和小苏打；先浸泡，然后擦洗。  思考 2：我有方法，现在执行步骤。  行动 2：执行[用热水浸泡锅子；添加洗洁精和小苏打；用海绵擦洗；冲洗干净]  观察 2：锅子清洁。  思考 3：如果仍有残留，重复擦洗。  行动 3：结束[锅子已清洗干净]

# 知识密集型问答示例Agent.run("2024年诺贝尔物理学奖得主是谁？他们的主要贡献是什么？")

# 旅行规划示例agent.run("为一个三口之家规划一个周末从北京到天津的亲子旅行，预算3000元")

# 数据分析示例agent.run("计算2023年公司各季度销售额增长率，并预测2024年第一季度销售额")

# 客户服务示例agent.run("用户报告无法登录账户，错误代码为AUTH-001，请提供解决方案")

# 爱码仕中的ReAct应用示例agent.run("创建一个React组件，实现用户登录表单，包含邮箱和密码验证功能")

# 更新或安装必要的库# !pip install --upgrade openai# !pip install --upgrade langchain# !pip install --upgrade python-dotenv# !pip install google-search-results# 引入库import osfrom openai import OpenAIfrom langchain_community.agent_toolkits.load_tools import load_toolsfrom langchain.agents import initialize_agentfrom dotenv import load_dotenvload_dotenv()from typing import Optional, Listfrom langchain_core.language_models.llms import LLMfrom langchain.tools import BaseToolclass CustomLLM(LLM):    api_key: str    client: Optional[OpenAI] = None    def __init__(self, api_key: str, **kwargs):        # 初始化OpenAI客户端，使用阿里云通义千问API        client = OpenAI(            api_key=api_key,            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",        )        super().__init__(api_key=api_key, client=client, **kwargs)    @property    def _llm_type(self) -> str:        return"qwen3-max"    def _call(self, prompt: str, stop: Optional[List[str]] = None) -> str:        # 添加ReAct格式的系统提示        system_prompt = """你是一个严格遵循ReAct模式的AI助手。核心规则 - 必须严格遵守：1. 每次回复只能包含一个Thought和一个Action2. 格式必须完全按照以下模式，不能有任何偏差：Thought: [你的思考过程]Action: [工具名称]Action Input: [工具输入]3. 绝对不能在一次回复中包含多个Thought或Action4. 绝对不能直接给出Final Answer，除非前面有"Thought: I now know the final answer"5. 每次Action后必须等待Observation才能继续下一轮错误示例（禁止）：- 输出多个Thought-Action对- 直接输出Final Answer而没有preceding thought- 在Action Input中包含额外解释正确示例：Thought: 我需要检查材料是否齐全Action: MaterialCheckAction Input: 洗洁精、钢丝球、热水只有当任务完全完成后才能输出：Thought: I now know the final answerFinal Answer: [最终答案]"""        completion = self.client.chat.completions.create(            # 使用通义千问plus模型            model="qwen-plus",            messages=[                {"role": "system", "content": system_prompt},                {"role": "user", "content": prompt}            ],            temperature=0.1,  # 稍微增加一点随机性但保持稳定            max_tokens=200,   # 减少token数量强制简洁输出            stop=["\nObservation:", "Observation:", "\n\n"],  # 添加停止词        )        # 返回生成的内容        return completion.choices[0].message.content# 自定义清洗工具class MaterialCheckTool(BaseTool):    name: str = "MaterialCheck"    description: str = "检查清洗材料是否准备齐全。输入材料列表，返回检查结果。"    def _run(self, materials: str) -> str:        return f"已检查材料：{materials}。所有材料准备就绪，可以开始清洗。"class CleaningStepTool(BaseTool):    name: str = "CleaningStep"    description: str = "执行一个具体的清洗步骤。输入步骤描述，返回执行结果。"    def _run(self, step: str) -> str:        return f"已完成步骤：{step}。步骤执行成功，可以继续下一步。"class InspectionTool(BaseTool):    name: str = "Inspection"    description: str = "检查当前清洗效果。输入检查内容，返回检查结果。"    def _run(self, inspection: str) -> str:        return f"检查结果：{inspection}。清洗效果良好，建议继续或完成清洗。"llm = CustomLLM(api_key=os.getenv("DASHSCOPE_API_KEY"))# 创建自定义工具实例material_check = MaterialCheckTool()cleaning_step = CleaningStepTool()inspection = InspectionTool()# 组合所有工具math_tools = load_tools(["llm-math"], llm=llm)custom_tools = [material_check, cleaning_step, inspection]tools = math_tools + custom_toolsagent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True, handle_parsing_errors=True)
agent.run("任务：清洗一个非常油腻的平底锅")

> python3 react.py> Entering new AgentExecutor chain...Thought: 我需要先检查清洗材料是否准备齐全Action: MaterialCheckAction Input: 洗洁精、钢丝球、热水Observation: 已检查材料：洗洁精、钢丝球、热水。所有材料准备就绪，可以开始清洗。Thought:Thought: 材料已准备齐全，现在可以开始执行清洗步骤。Action: CleaningStepAction Input: 用热水浸泡平底锅5分钟，然后加入洗洁精并用钢丝球擦洗油腻部分ObservationObservation: 已完成步骤：用热水浸泡平底锅5分钟，然后加入洗洁精并用钢丝球擦洗油腻部分Observation。步骤执行成功，可以继续下一步。Thought:Thought: 我需要检查当前的清洗效果，确保油腻已被清除。Action: InspectionAction Input: 检查平底锅表面是否还有油渍残留Observation: 检查结果：检查平底锅表面是否还有油渍残留。清洗效果良好，建议继续或完成清洗。Thought:Thought: 清洗效果良好，没有油渍残留，清洗任务已完成。Final Answer: 平底锅已成功清洗，表面无油渍残留，清洗任务完成。
> Finished chain.

初始行动轨迹（Actor 生成，基于 ReAct）：思考 1：平底锅很油腻，需要简单清洗。行动 1：执行[用冷水冲洗锅子；擦干]观察 1：锅子仍有油渍。评估（Evaluator）： 失败 - 锅子未完全清洁。反思（Self-Reflection）： 上次尝试使用冷水无效，因为油渍需要热分解。下次应该搜索有效方法，包括热水的、洗洁精和小苏打，并详细列出步骤。存储到记忆：优先考虑热处理和去油剂。

迭代行动轨迹（Actor 使用记忆改进）：思考 1：根据记忆，使用热水和去油剂。行动 1：搜索[清洗油腻平底锅的详细步骤]观察 1：步骤：1. 用热水浸泡；2. 添加洗洁精和小苏打；3. 用海绵擦洗顽固污渍；4. 冲洗并检查；5. 如有残留，重复。思考 2：现在有详细步骤，可以执行。行动 2：执行[上述步骤]观察 2：锅子完全清洁。评估（Evaluator）： 成功。