Agent 原理：ReAct 循环
理解 AI Agent 的核心推理循环，实现自主决策
- 理解 Agent 与普通聊天机器人的区别
- 掌握 ReAct（推理+行动）循环
- 理解 Agent 的记忆、规划、工具使用
- 实现一个多步推理 Agent
Agent 原理：让 AI 自主决策
普通聊天机器人是一问一答。Agent 是自主规划、使用工具、多步执行——它能自己决定下一步做什么，直到完成任务。
聊天机器人：用户问 → AI 答。Agent：用户给目标 → AI 拆解任务 → 调用工具 → 观察结果 → 调整计划 → 继续执行 → 完成目标。
ReAct 循环
ReAct（Reasoning + Acting）是最经典的 Agent 模式：
ReAct 循环：Thought（思考）→ Action（行动）→ Observation（观察）循环直到能回答 → Answer Thought: 我需要查深圳天气Action: get_weather(city=深圳)Observation: 深圳 33度 雷阵雨Thought: 我知道答案了Answer: 深圳现在33度，有雷阵雨
实现 ReAct Agent
工业级 Agent 核心要解决的问题：循环控制——必须设最大步数和超时；错误恢复——工具失败时 AI 要能换方式重试；状态管理——复杂任务需要任务状态；可观测性——每一步都要记录日志；人工兜底——关键操作必须有人确认。Agent 不是魔法，是精心设计的状态机 + LLM 推理。
Agent 的记忆系统
Python 生态：LangChain/LangGraph（最流行）、LlamaIndex（RAG 见长）、AutoGen（多 Agent 协作）、CrewAI（角色分工）。但框架只是工具，理解 ReAct 原理才是根本。
资深工程师加餐
底层原理 · 大厂视角 · 工程经验，点卡片展开
想让模型「调用你的函数」，关键是用 JSON Schema 把工具名、用途、参数描述清楚，模型返回的是「该调哪个工具、参数是什么」的结构化指令，真正执行仍由你的代码完成并把结果回喂。用受约束解码或 JSON Schema 校验保证输出可解析，但永远不要盲信：参数要服务端再校验一次，危险操作要人确认。它是 Agent 从「会说」到「会做」的关键一跳。
挑战任务
多步推理 Agent
实现需要两次工具调用的 Agent
课后作业
多步推理 Agent
扩展 Agent 处理「北京比上海热多少」这类需要两次工具调用的问题。