大模型应用不同提示词范式和ReAct Agent智能体实现原理分析

“ 大模型应用提示词是核心，但智能体中大模型是核心，大模型会接收用户输入和工具调用结果，同样也会返回思考过程和调用参数。”

ReAct Agent基于思考-行动-观察的智能体，简单来说就是让智能体有更强的规划和逻辑推理能力，并且能够依靠自身去解决问题。

在前面的几篇文章中介绍了关于智能体的内容，以及大模型与提示词之间的关系；而今天我们再来仔细分析一下智能体的运作流程。

总之一句话，智能体的核心就是LLM大模型，其主要操作载体是Prompt提示词。

在应用大模型的过程中，提示词是使用大模型的唯一入口；而为了激发大模型的潜力，因此根据不同的应用场景，出现了多种不同的提示词范式；包括思维链(Cot)，ReAct，In learning context等多种范式。

从根本上看，所有与大模型的交互确实都通过提示词（Prompt）实现，模型本身仅暴露一个文本输入/输出接口。In-Context Learning (ICL)、Chain-of-Thought (CoT) 等技术本质上都是针对提示词的结构化设计范式，旨在更高效地激发模型能力。

不同范式的核心差异：信息注入方式

虽然底层统一，但不同范式通过提示词向模型注入不同类型的信息结构：

范式	提示词设计目标	典型结构	类比
Zero-Shot	直接指令传递	指令: <任务描述>	命令行
ICL (Few-Shot)	隐式传递任务规则	示例输入→输出\n...\n新输入→？	演示教学
CoT	强制分步推理	问题:... 让我们一步步思考: ...	思维导图模板
Self-Consistency	多路径探索	生成多个CoT路径后投票	蒙特卡洛采样
Tool-Use	定义外部工具协议	用JSON/YAML声明工具调用规范	API文档
ReAct	交织推理与行动	Thought:... Act:... Obs:...	自动化工作流

为什么需要多种范式？

因单一线性提示词无法覆盖所有任务需求，需通过结构化设计解决：

任务痛点	适配范式	解决方式
模型不懂任务格式	ICL	示例演示规范
模型跳跃式推理	CoT	强制分步思考
单一路径可能错误	Self-Consistency	多路径投票
需调用外部工具	Tool-Use	定义工具调用协议
需动态规划行动	ReAct	循环执行”思考-行动”

所以，从本质上来说任何对大模型的操作都是基于提示词的操作。

智能体

智能体的运作流程说起来很复杂，但其实也很简单；简单来说就是，把大模型当做一个“人”或者员工，然后把需要的工具给它(tools，本质上就是一个函数)，然后告诉它你的需求是什么；之后，就完全由它自己理解你的需求，然后借助自身能力或者使用外部工具来完成任务。

首先，初始化大模型，并把工具绑定到大模型，

# 初始化模型 model = init_chat_model("model") tools = ['工具集'] # 绑定工具 model = model.bind_tools(tools)

其次，大模型接收到用户输入，并理解需求判断是自身能够解决还是需要调用外部工具解决；如下图所示查询天气，就需要调用天气查询工具，在langchain中，如果需要调用工具，则大模型会返回tool_calls工具列表。

当大模型返回tool_calls调用工具时，langgraph就会通过边流转到ToolNode节点，然后在工具节点中调用外部接口并获取结果。

当工具调用返回结果之后，再把结果传给大模型，让大模型判断结果是否能解决用户的问题；如果不行，则继续下一步；否则，则结束；当然，为了防止无限循环调用导致任务无法结束，因此还增加了默认的超时次数，当超过25次问题还没解决，则直接抛出异常。

# Define our tool node # 工具执行过程 def tool_node(state: AgentState): outputs = [] # LLM会返回调用工具的函数名以及其参数 for tool_call in state["messages"][-1].tool_calls: tool_result = tools_by_name[tool_call["name"]].invoke(tool_call["args"]) outputs.append( ToolMessage( content=json.dumps(tool_result), name=tool_call["name"], tool_call_id=tool_call["id"], ) ) return {"messages": outputs}