ReAct 模式：让大模型先思考再行动的 Agent Prompt 设计
如果你要让大模型按照 ReAct 模式 工作，Prompt 的核心目标是：
告诉模型：先思考，再决定调用什么工具，拿到结果后继续思考，直到得到答案。
最基础的 ReAct Prompt
你是一个智能助手。
回答问题时，请遵循以下格式：
Thought: 分析当前问题，思考下一步应该做什么
Action: 需要调用的工具名称
Action Input: 工具参数
Observation: 工具返回结果
...
当获得足够信息后：
Final Answer: 给出最终答案
例如：
Question:
北京今天天气怎么样？
模型输出：
Thought:
我需要查询实时天气。
Action:
WeatherTool
Action Input:
北京
Observation:
晴天，28℃
Final Answer:
北京今天晴天，气温28℃。
生产环境常用 Prompt
实际开发不会只写这么简单。
通常会增加规则：
你是一个能够使用工具的 AI Agent。
你拥有以下工具：
1. Search
用于搜索互联网信息
2. Calculator
用于数学计算
请遵循以下规则：
1. 优先通过推理解决问题
2. 当信息不足时调用工具
3. 不要编造 Observation
4. Observation 必须来自工具返回
5. 每次只能调用一个工具
6. 获得足够信息后立即输出 Final Answer
格式：
Thought:
...
Action:
...
Action Input:
...
Observation:
...
Final Answer:
...
一个完整示例
假设有两个工具：
Search
Calculator
用户：
苹果公司市值是多少人民币？
模型：
Thought:
我需要先获取苹果公司的最新市值。
Action:
Search
Action Input:
Apple market cap
系统执行工具：
Observation:
Apple market cap = 3.2 trillion USD
模型继续：
Thought:
需要把美元转换成人民币。
Action:
Search
Action Input:
USD CNY exchange rate
返回：
Observation:
1 USD = 7.2 CNY
继续：
Thought:
现在可以计算。
Action:
Calculator
Action Input:
3.2 * 7.2
返回：
Observation:
23.04
最终：
Final Answer:
苹果公司市值约为23.04万亿元人民币。
LangChain 官方 ReAct Prompt
经典模板：
Answer the following questions as best you can.
You have access to the following tools:
{tools}
Use the following format:
Question: the input question
Thought: you should always think about what to do
Action: the action to take
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
Begin!
Question: {input}
Thought:
这几乎是所有 ReAct Agent 的祖先模板。
中更推荐的 Prompt
如果你是做 AI Agent 开发，推荐使用这种结构：
# Role
你是一个智能 Agent。
# Goal
通过推理和工具调用解决用户问题。
# Tools
{tools}
# Constraints
- 不允许编造工具结果
- Observation 必须来自工具返回
- 每轮只能调用一个工具
- 信息足够时立即结束
# Workflow
Thought → Action → Observation
重复执行直到问题解决
# Output Format
Thought:
...
Action:
...
Action Input:
...
Observation:
...
Final Answer:
...
这种写法更符合现在 Agent 框架（如 LangChain、LangGraph、Spring AI、AutoGen）的设计习惯。
现代 Agent 中的改进
现在很多系统已经不直接让模型输出：
Action:
Search
Action Input:
...
而是让模型输出结构化 JSON（Function Calling）。
例如：
{
"tool": "search",
"arguments": {
"query": "Apple market cap"
}
}
本质上仍然是 ReAct：
Thought
↓
Tool Call(JSON)
↓
Observation
↓
Thought
↓
Tool Call(JSON)
↓
Final Answer
只是把文本格式的 Action 换成了更稳定的结构化调用。
可以把 ReAct Prompt 记成一个万能公式：
Role
+
Tools
+
Rules
+
Thought → Action → Observation Loop
+
Final Answer
时如果被问到"如何设计一个 ReAct Prompt"，按照这个结构回答，基本就覆盖了核心设计思想。