AI 大模型核心技术：CoT 思维链与 ReAct 推理行动

看到没？步骤清晰，就算中间算错了，也能快速找到问题所在～

2.3 CoT 的优缺点

优点：

• 简单易实现：不用改模型，只用写提示词定义步骤格式就行；
• 可解释性强：推理过程看得见，用户容易信任；
• 提升复杂推理准确率：尤其是数学、常识推理任务。

局限性：

• 依赖模型内部知识：如果模型本身知识错了（比如认为'太阳绕地球转'），推理链条也会错；
• 处理不了动态信息：没法获取实时数据（比如'今天的气温'）；
• 步骤冗余：简单问题（比如'1+1 等于几'）分步反而降低效率。

2.4 CoT 典型应用场景

• 教育领域：辅导学生解数学、科学题，展示解题思路；
• 智能客服：回答复杂问题（如'退款流程'）时，说明决策依据，增强信任；
• 逻辑推理任务：比如合同条款分析、案件逻辑梳理等。

三、什么是 ReAct（推理与行动，Reasoning and Acting）？让模型'边想边做'

如果说 CoT 是让模型'会思考'，那 ReAct 就是让模型'会思考 + 会做事'——不仅能推理，还能调用外部工具获取信息、执行操作，完美解决 CoT'不懂就瞎想'的问题。

3.1 ReAct 核心逻辑

ReAct 的核心是循环执行'思考→行动→观察'三步法，直到得出最终答案。简单说就是：先想该做什么，再调用工具做，最后根据工具返回结果调整思路，循环往复。

它的通用格式是这样的：

问题：...[输入问题]...
思考：当前需要解决的问题是...，我需要先做什么...
行动：调用__工具名称__(参数)
观察：工具返回结果...
思考：根据返回结果，下一步需要...
行动：调用__工具名称__(参数)
观察：工具返回结果...
...（循环）
答案：...[最终结论]...

3.2 实战案例：2027 年诺贝尔文学奖得主的代表作是什么？

这个问题需要实时信息，CoT 解决不了，但 ReAct 能轻松搞定：

ReAct 流程：

1. 思考：我需要知道 2027 年诺贝尔文学奖得主是谁，但我的知识截止到训练数据，得调用搜索工具查；
2. 行动：使用 DuckDuckGo 搜索"2027 诺贝尔文学奖获得者"；
3. 观察：工具返回结果——法国作家安妮·艾诺；
4. 思考：现在知道了得主是安妮·艾诺，接下来需要查她的代表作，调用维基百科工具；
5. 行动：查询维基百科"安妮·艾诺"；
6. 观察：工具返回结果——主要作品有《悠悠岁月》《位置》等；
7. 答案：2027 年诺贝尔文学奖得主是法国作家安妮·艾诺，其代表作是《悠悠岁月》。

再比如'2027 年 NBA 总冠军是哪个队伍'，ReAct 会调用体育新闻 API 或搜索引擎获取最新信息，而不是瞎编～

3.3 ReAct 的核心优势

• 减少幻觉：通过调用外部工具获取真实数据，不用依赖模型'过时又可能错'的内部知识；
• 处理复杂任务：多步骤、需要交互的任务（如订机票、查物流）都能搞定；
• 透明可解释：思考过程和行动步骤都看得见，能跟踪决策逻辑；
• 拓展能力边界：模型能通过工具做任何事——查天气、算数据、控设备等。

3.4 ReAct 典型应用场景

• 知识问答系统：需要实时信息（如财经数据、体育赛事、科技动态）的问答；
• 任务自动化：如预订机票、查询物流、控制智能家居、生成数据分析报告；
• 事实核查：验证信息真伪（如'某明星是否结婚'），避免传播错误信息。

四、CoT vs ReAct 全方位对比（一张表看懂）

很多同学会问：什么时候用 CoT，什么时候用 ReAct？咱们用一张表把核心区别说透：

五、应用场景指南：该选 CoT 还是 ReAct？

根据上面的对比，给大家总结一套'选型口诀'，直接套用就行：

1. 纯推理、无实时数据需求（如数学题、逻辑题）→ 用CoT，高效又简单；
2. 需实时信息、要调用工具（如查天气、查赛事）→ 用ReAct，准确不瞎编；
3. 多步骤决策、需要动态调整（如订行程、做报告）→ 用ReAct，能规划会执行；
4. 知识密集型问答（如'孔子是哪年出生的'）→ 用CoT，依赖模型知识库足够；
5. 复杂问题（如'分析今年 GDP 数据并生成图表'）→ 混合架构（CoT 做推理+ReAct 调用工具生成图表）。

六、LangChain 实战：分别实现 CoT 和 ReAct

咱们用之前学过的 LangChain 框架，写两段简单代码，实战感受下 CoT 和 ReAct 的实现过程（零基础也能看懂）～

6.1 实战 1：LangChain 实现 CoT（解决数学推理问题）

CoT 的实现核心是'设计提示词模板，让模型输出推理步骤'：

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.chains import LLMChain

# 1. 初始化大模型（这里用 OpenAI，也可以换成本地化模型如 Llama3）
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

# 2. 设计 CoT 提示词模板：明确要求输出推理步骤
cot_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个数学老师，解决数学问题时，先分步骤写出推理过程，再给出最终答案。"),
    ("human", "问题：{question}")
])

# 3. 构建 LLMChain
cot_chain = LLMChain(llm=llm, prompt=cot_prompt, verbose=True)
# verbose=True 查看思考过程

# 4. 运行链，解决问题
question = "小明有 5 个苹果，小红给了他 3 个，他又吃了 2 个，最后还剩几个？"
result = cot_chain.run(question)

# 输出结果
print("CoT 推理结果：")
print(result)

运行结果（会输出推理步骤）：

> Entering new LLMChain chain...
Prompt after formatting: [SystemMessage(content='你是一个数学老师，解决数学问题时，先分步骤写出推理过程，再给出最终答案。'), HumanMessage(content='问题：小明有 5 个苹果，小红给了他 3 个，他又吃了 2 个，最后还剩几个？')]
> Finished chain.
CoT 推理结果：
1. 首先，小明原本有 5 个苹果，小红给了他 3 个，此时苹果数量为 5 + 3 = 8 个；
2. 接着，小明吃了 2 个苹果，剩余苹果数量为 8 - 2 = 6 个；
最终答案：6 个

6.2 实战 2：LangChain 实现 ReAct（查询实时天气）

ReAct 需要结合 Agent 和 Tool，这里用'天气查询工具'举例（需要先安装 pyowm 库获取天气 API）：

from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.chat_models import ChatOpenAI

# 1. 初始化大模型
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

# 2. 加载工具：这里用"openweathermap"（需要先在环境变量配置 API_KEY）
tools = load_tools(["openweathermap"], llm=llm)

# 3. 初始化 ReAct Agent
react_agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.REACT_DOCSTORE, # ReAct 类型 Agent
    verbose=True # 显示思考、行动、观察过程
)

# 4. 运行 Agent，查询实时天气
result = react_agent.run("查询北京现在的天气，包括温度和天气状况。")

# 输出结果
print("ReAct 查询结果：")
print(result)

运行结果（会显示'思考→行动→观察'循环）：

> Entering new AgentExecutor chain...
I need to find the current weather in Beijing, including temperature and weather conditions. I should use the openweathermap tool.
Action: openweathermap
Action Input: Beijing
Observation: Current weather in Beijing: clear sky, temperature: 25°C
Thought: I have obtained the current weather in Beijing. The weather is clear sky and the temperature is 25°C. I can now answer the question.
Final Answer: 北京现在的天气为晴，气温 25 摄氏度。
> Finished chain.
ReAct 查询结果：
北京现在的天气为晴，气温 25 摄氏度。

是不是很简单？通过这两段代码，就能直观感受到 CoT 和 ReAct 的区别～

七、常见陷阱与避坑技巧

7.1 CoT 避坑技巧

1. 避免错误中间步骤：在提示词中加入'检查每一步推理是否正确，再进行下一步'；
2. 减少步骤冗余：简单问题用'直接给答案'，复杂问题才用 CoT，可通过 Prompt 分支控制；
3. 规范步骤格式：用数字编号、分号等明确步骤，让模型更容易遵循。

7.2 ReAct 避坑技巧

1. 处理 API 调用失败：给工具加重试机制（如 tenacity 库），避免一次失败就停摆；
2. 规范工具命名：工具名称要简洁唯一（如'查天气'而不是'获取气象信息'），避免模型调用错误；
3. 控制循环次数：设置 max_iterations 参数（如 5 次），防止模型无限循环调用工具；
4. 观察执行过程：开启 verbose=True，方便排查'思考错了'还是'工具调用错了'。

八、总结

今天咱们学会了 CoT 和 ReAct 两个核心技术，核心要点可以总结为 3 句话：

1. CoT 让模型'会思考'：显式输出推理步骤，解决复杂推理问题，简单无依赖；
2. ReAct 让模型'会做事'：循环'思考 - 行动 - 观察'，调用工具获取实时信息，减少幻觉；
3. 选型看需求：纯推理用 CoT，需工具/实时数据用 ReAct，复杂场景混合用。

这两个技术是 Agent 智能体的核心基础，学好它们，咱们后续做复杂任务自动化（如智能助手、数据分析机器人）就轻松多了～