OpenClaw 全球最火的AI助手，到底是什么神仙？

作为 Lynxe(原JManus）的作者，我花费了很多课余时间来完善这个Func-Agent框架，也因此对于什么是ReAct Based Agent 有了更深一些的理解。

所以想把这些内容总结出来，是因为这个项目本身核心目的就是探索Agent的前沿最佳实践，目前已经有所小成，Lynxe能解决我自己面对的80%以上的问题了，所以我觉得值得把我实验下来有效的东西写出来，方便大家快速入门。

你可以访问 Lynxe(菱科斯)阅读详细源码来学习agent的一些最佳实践。这是一个非常完善的产品级的 Func-Agent框架。

https://github.com/spring-ai-alibaba/Lynxe

系列计划

• 什么是 ReAct Agent？ (本篇)

• 深入了解智能体工作流核心：Agent vs 传统编程 vs Workflow 的本质区别

• 深入解析Function Calling、MCP和Skills的本质差异与最佳实践

• 上下文管理的一些实践

• 并行执行的最佳实践与我走过的弯路

ReAct 这个名字听起来挺高大上，其实拆开看就明白了：Reasoning（推理）+ Acting（行动）。说白了，就是让 AI 一边想一边做，而不是想完了再做。

ReAct Agent 的工作方式其实挺像人类解决问题的过程。它不是一次性把整个流程都规划好，而是在有一个整体目标的前提下，走一步看一步。具体来说，它会先观察当前的情况，然后思考下一步该做什么，接着执行这个动作，再观察结果，根据结果决定下一步。这个过程会一直循环，直到任务完成。

打个比方，传统的方式就像你出门前把整个路线都查好，然后严格按照路线走。而 ReAct 更像是你出门后，走一段路，看看周围环境，再决定下一步往哪走。比如你要去一个没去过的咖啡店，传统方式是你提前查好所有路线，ReAct 则是你走到路口，看看路牌，再决定左转还是右转，边走边找。

再举个更具体的例子。假设你要让 AI 帮你查"北京今天天气怎么样，适合穿什么衣服"。用 ReAct 的方式，AI 会这样工作：

1.观察：看到用户的问题，历史上下文为空

2.思考："我需要知道北京今天的天气"（思考是可选输出,就跟人的思考是内化发生的一样）

3.行动：调用天气查询工具，查询 "北京今天天气"

4.观察：获取到天气数据：温度 25°C，晴天，湿度 60%，风速 3m/s

5.思考："现在我知道天气了，需要查询穿衣建议知识库来获取具体的穿衣建议"（思考是可选输出）

6.行动：调用穿衣建议知识库查询工具，查询 "25度晴天适合穿什么衣服"

7.观察：获取到穿衣建议：25度晴天建议穿短袖 T 恤或薄长袖，可以带一件薄外套以防早晚温差，建议戴帽子和涂防晒霜

8.思考："我已经获取了天气和穿衣建议，应该将这些信息写入文件保存"（思考是可选输出）

9.行动：调用 writeToFile 工具，将完整建议写入文件

10.观察：建议已写入到文件 weather_suggestion.md

整个过程是观察-思考-行动-再观察的循环，而不是一开始就把所有步骤都定死。每一步都会根据当前的历史上下文和环境信息，动态决定下一步该做什么。

你可能会问，为什么要这么麻烦？直接写个固定流程不就行了吗？问题在于，很多现实任务其实没那么简单。你可能会遇到各种意外情况，比如 API 返回错误、数据格式不对、或者需要根据中间结果调整策略。ReAct 的优势就在于它能根据实际情况灵活应对，而不是遇到意外就卡住。

当然，这种灵活性也带来了一些代价，比如行为可能不那么可预测，有时候 AI 可能会"犯傻"。但总的来说，在处理复杂、不确定的任务时，ReAct 这种边想边做的方式还是很有优势的。

ReAct 的实现其实离不开几个关键要素：

1. 历史上下文（History）ReAct 会维护一个对话历史，记录之前所有的思考、行动和观察。这样 LLM 在做决策时，可以参考之前发生了什么，避免重复操作或者走错路。

2. 观察当前环境信息（Current Environment Information）这是 Agent 在当前时刻接收到的外部信息，比如用户的输入、系统的状态、或者其他需要处理的数据。这些信息会作为 LLM 推理的输入，帮助决定下一步该做什么。

3. 语言模型（LLM Thinking）这是 ReAct 的"大脑"，负责推理和决策。每次需要思考下一步该做什么时，LLM 会根据当前的历史上下文、环境信息和观察结果，生成下一步的行动计划。（后续表格里这个think是隐藏的，最终表现形式就是toolcall）

4. 工具/动作（toolcall）这是 ReAct 的"手脚"，用来执行具体的操作。比如搜索、查询 API、读写文件等等。每个工具都有明确的输入输出，Agent 可以调用这些工具来完成实际工作。

5. 观察结果（toolcall结果）每次执行动作后，都会得到一个观察结果。这个结果会被反馈给 LLM，作为下一轮推理的依据。观察结果可能包括成功的数据、错误信息、或者需要进一步处理的内容。

下面用一个完整的例子，看看 ReAct 是怎么一步步解决问题的。假设任务是："帮我查一下北京今天天气怎么样，适合穿什么衣服。"

从这里我们也可能看到，核心其实就是

已知：

当前历史上下文：&{历史上下文}

当前环境信息：&{当前环境信息}

用户目标："帮我查一下北京今天天气怎么样，适合穿什么衣服。"

做出下一步的决策：

你必须最少使用一个工具来实现该决策。

最终输出：建议已经写入到文件 weather_suggestion.md，你可以通过打开这个文件来看到具体建议。

从这个例子可以看出，ReAct 不是一开始就知道所有步骤，而是根据每轮的观察结果，动态决定下一步该做什么。如果 Round 1 搜索失败了，它可能会尝试其他搜索关键词，或者换一个策略。这种灵活性正是 ReAct 的核心优势。

下面是一个 round 的执行流程伪代码，展示了核心的执行逻辑：

函数 执行一个轮次(用户目标, 历史上下文):    // 1. 获取当前环境信息    当前环境信息 = 获取当前环境信息()        // 2. 构建提示词（替换占位符）    提示词模板 = "已知：\n当前历史上下文：${历史上下文}\n当前环境信息：${当前环境信息}\n用户目标：\"${用户目标}\"\n\n做出下一步的决策\n\n你必须最少使用一个工具来实现该决策"    完整提示词 = 替换占位符(提示词模板, {        历史上下文: 历史上下文,        当前环境信息: 当前环境信息,        用户目标: 用户目标    })        // 3. 调用 LLM 进行推理（思考过程隐藏，直接输出 toolcall）    工具调用结果 = 调用语言模型(完整提示词, 历史上下文)        // 4. 解析工具调用    工具名称 = 解析工具名称(工具调用结果)    工具参数 = 解析工具参数(工具调用结果)        // 5. 执行工具调用    观察结果 = 执行工具(工具名称, 工具参数)        // 6. 更新历史上下文    新历史上下文 = 追加到历史上下文(历史上下文, {        行动: 工具调用结果,        观察结果: 观察结果    })        // 7. 返回结果    返回 {        观察结果: 观察结果,        新历史上下文: 新历史上下文    }结束函数
// 主循环函数 执行ReAct流程(用户目标):    历史上下文 = 空    当前轮次 = 1    最大轮次 = 10        当 当前轮次 <= 最大轮次 且 未完成任务:        结果 = 执行一个轮次(用户目标, 历史上下文)        历史上下文 = 结果.新历史上下文                如果 判断任务已完成(结果.观察结果):            中断循环                当前轮次 = 当前轮次 + 1    结束循环        返回 历史上下文结束函数