1.ReAct
在ReAct范式诞生之前，主流方法可以大致分为两类：“纯思考型”和“纯行动型”。前者只思考不行动，后者只行动不思考。ReAct（Reasoning + Acting）打破了这种割裂，将思考（Thought）和行动（Action）紧密结合，让智能体边想边做，动态调整。
ReAct的工作流程是一个不断循环的Thought → Action → Observation闭环：
Thought（思考）：LLM分析当前状态，决定下一步该做什么
Action（行动）：调用外部工具（如搜索引擎、API）执行具体操作
Observation（观察）：获取工具返回的结果，作为下一轮思考的输入
智能体将不断重复这个循环，将新的观察结果追加到历史记录中，直到它在Thought中认为已经找到了最终答案。这个过程形成了一个强大的协同效应：推理使得行动更具目的性，而行动则为推理提供了事实依据。
实现要点
在第四章的实践中，ReAct智能体主要利用搜索引擎来回答自身知识库无法覆盖的实时性问题。实现过程中需要：
封装LLM客户端：提供统一的
think方法调用大模型定义工具函数：如基于SerpApi的网页搜索工具
设计系统Prompt：告诉模型有哪些工具可用、输出格式要求
解析模型输出：用正则表达式从模型响应中提取Thought和Action
2.Plan-And-Solve
核心思想
如果说ReAct是“边想边做”，那么Plan-and-Solve就是“三思而后行”。这种范式将任务处理分为两个清晰的阶段：
Plan（规划阶段）：智能体首先生成一个完整的、分步骤的、结构化的行动计划
Solve（执行阶段）：严格按照计划，逐一解决问题
与ReAct的“边走边看”不同，Plan-and-Solve在前期投入更多思考，生成完整的任务分解方案后再执行。这种前期投入看似增加了延迟，但对于逻辑路径确定的任务，反而能大幅提升成功率。
实现要点
在第四章的实践中，Plan-and-Solve智能体被用来解决一道需要多步推理的数学应用题。例如计算三天分别卖出的苹果数再求和——规划器会生成清晰的四个步骤，每个步骤的输出直接成为下一步的输入，形成完整的数据流。
实现的关键在于确保计划的可执行性和结构性——不仅要正确分解任务，还要保证每个步骤的输出能够作为后续步骤的有效输入。
3.Reflection
核心思想
前两种范式本质上都是一次性执行——智能体输出答案后任务就结束了。而Reflection引入了事后校正循环，让智能体能够像人类一样“审视”自己的工作并不断改进。
Reflection的工作流程是“执行 → 反思 → 优化”的迭代循环：
执行阶段：生成初始解决方案
反思阶段：扮演“严格评审员”的角色，指出问题并提出改进方向
优化阶段：根据反思反馈生成改进版本
这个循环可以重复多次，直到反思认为无需进一步改进。
实现要点
在第四章的实践中，Reflection智能体被用来解决“查找一定范围内的素数”这一问题——从时间复杂度O(n√n)的低效算法，通过反思优化为使用埃拉托斯特尼筛法的高效版本。
Reflection的核心机制构建了一个临时的“短期记忆”——整个“执行-反思-优化”的轨迹形成了一个宝贵的经验记录，智能体不仅知道最终答案，还记得自己是如何从有缺陷的初稿迭代到最终版本的。
