ReAct — 推理与行动交替执行
Skill-ReAct-Reasoning-Acting · 10-MAS
causalexperimentmulti_agentpricing广告与投放客服与VOC推荐与搜索MAS与智能体工程定价与利润WF-B 广告优化WF-C 客服分诊WF-D 选品扫描WF-E Review监控WF-F 动态定价
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / CTO · 产品经理 · CEO
适用平台Amazon PPC + 库存 + 定价 多 Agent 协作 · TikTok 内容运营流水线
什么情况下用运营任务太碎，选品/定价/广告/客服同时跑，人手严重不足；重复性运营动作需要 7×24 响应但没有足够人力
成功是什么样的多个 AI Agent 协作自动完成跨系统运营任务，运营团队人效提升 3-5 倍，7×24 无人值守运营
业务痛点
1. 解决的问题
ReAct (Reasoning + Acting) 提出了一种推理与行动交织的范式。核心洞察：纯推理（Chain-of-Thought）容易幻觉，纯行动（Tool Use）缺乏规划——只有把两者交替进行，才能既保持思维连贯性又确保信息准确性。
2. 核心算法逻辑
ReAct (Reasoning + Acting) 提出了一种推理与行动交织的范式。核心洞察：纯推理（ChainofThought）容易幻觉，纯行动（Tool Use）缺乏规划——只有把两者交替进行，才能既保持思维连贯性又确保信息准确性。
3. 业务应用场景
分析竞品需要实时获取多方信息（评论、价格、规格、市场份额），但信息分散在不同平台。单 Agent 要么靠内部知识（容易过时/幻觉），要么盲目查询（效率低）。
- 搜索引擎 API / 电商平台 API - 评论数据库 - 产品规格数据库
业务价值： - 每一步推理都有外部数据支撑，消除幻觉 - 行动有明确目的，查询效率高 - 完整的思考过程可审计、可复盘
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- 数据要求：中，需要外部 API/数据源
- 技术门槛：中，核心是 Prompt 设计和行动空间定义
- 工程复杂度：中，需要环境接口和错误处理
- 维护成本：中，API 变动需要适配
- 基础性地位：ReAct 是现代 LLM Agent 的基石范式
- 广泛适用：几乎所有需要外部信息的 Agent 场景都适用
7. 代码模板
代码块数量：5 · 路径：paper2skills-code/mas/react_reasoning_acting
cd paper2skills-code/mas/react_reasoning_acting
python react_agent.py8. 论文来源
- 2210.03629