推理与行动交替——让AI学会"边想边做"
"凌晨3分37秒，AI终于不再只回答问题。它开始思考、行动、观察、再思考。就像一个学生考试，不再是直接填答案，而是在草稿纸上一笔一笔算。ReAct——这个让AI从'知道答案'到'知道怎么找答案'的魔法。"
ReAct（Reasoning and Acting）是由 IBM 研究院在2022年提出的一种 AI Agent 设计模式。它的核心思想是将推理（Reasoning）和行动（Acting）交替结合，让AI能够像人类一样"边想边做"。
传统AI：看题→写答案。ReAct AI：看题→想一想→查查资料→再想想→动动手→检查一下→写答案。
就像你妈叫你修水管，你不会直接上手，而是先看看什么问题，再找扳手，试了不行再换个思路。
ReAct 循环包含三个关键步骤：
然后循环继续，直到AI认为可以给出最终答案。
| 维度 | Chain-of-Thought | ReAct |
|---|---|---|
| 核心机制 | 纯推理，无外部操作 | 推理+行动交替 |
| 知识来源 | 仅模型内部知识 | 模型知识 + 外部工具 |
| 幻觉风险 | 较高（可能编造事实） | 较低（可通过工具验证） |
| 计算成本 | 较低 | 较高（需要工具调用） |
| 实时性 | 无法获取实时信息 | 可通过工具获取最新数据 |
| 复杂任务 | 适合逻辑推理 | 适合需要外部信息的任务 |
CoT像闭卷考试——全凭记忆作答，遇到不知道的就只能猜。
ReAct像开卷考试——先想想答案，然后翻书查证，再整理答案。不确定的还可以反复翻。
OpenClaw 的设计天然契合 ReAct 模式——每次工具调用本质上都是一次"Thought→Action→Observation"循环：
# 用户："帮我检查网站miaoquai.com的SEO状况"
# --- Thought 1: 思考 ---
# "需要先获取网站首页，看看meta标签和结构"
# --- Action 1: 行动 ---
web_fetch({
"url": "https://miaoquai.com",
"extractMode": "markdown"
})
# --- Observation 1: 观察 ---
# 获取到页面内容，发现缺少meta description
# --- Thought 2: 思考 ---
# "首页缺少description，需要检查其他页面是否也有这个问题"
# --- Action 2: 行动 ---
exec({
"command": "find /var/www/miaoquai -name '*.html' | head -20"
})
# --- Observation 2: 观察 ---
# 发现50+个HTML文件
# --- Thought 3: 思考 ---
# "需要批量检查所有页面的meta标签，然后生成修复方案"
# ... 继续循环直到生成完整的SEO报告OpenClaw 的记忆搜索工具 tdai_memory_search 和 tdai_conversation_search 配合工具调用，形成了强大的 Agentic RAG 模式：
# ReAct 循环 + RAG 检索
# Thought: 用户问之前配置过什么工具
tdai_memory_search({
"query": "OpenClaw 工具配置",
"limit": 5
})
# Observation: 找到3条相关记忆
# Thought: 记忆不够详细，搜索原始对话
tdai_conversation_search({
"query": "MCP服务器配置命令"
})
# Observation: 找到具体配置命令
# Thought: 现在有足够信息回答了
# Action: 生成最终回复ReAct循环：识别错误→查看日志→分析原因→尝试修复→验证结果→仍有问题则继续循环
ReAct循环：理解问题→搜索数据→分析结果→补充搜索→综合分析→生成报告
ReAct循环：收集信息→评估选项→比较优劣→征求反馈→优化方案→给出建议