在人工智Neng的浩瀚星空中，大语言模型无疑是那颗Zui耀眼的恒星。然而单纯的语言生成Neng力往往只Neng停留在“纸上谈兵”的阶段。当我们真正希望AINeng够像人类一样，在复杂的数字世界中穿梭、解决实际问题时我们就需要赋予它“手脚”和“大脑”的协同Neng力——这就是智Neng体诞生的初衷。当我们的基础语言模型客户端准备就绪之后摆在面前的第一个，也是Zui经典、Zui无法绕过的一座山峰，便是构建ReAct架构。

这不仅仅是一段代码的堆砌，geng是一种思维方式的跃迁。业界为了geng好地组织智Neng体的“思考”与“行动”过程，Yi经探索出了多种多样的架构范式。但无论技术如何迭代，ReAct始终占据着不可撼动的地位。它模仿了人类解决问题的Zui朴素逻辑：先想清楚，再动手Zuo，然后kankan结果，Zui后决定下一步怎么办。这种“思考-行动-观察”的闭环，赋予了智Neng体一种类似生物的“短期记忆”和自我修正Neng力。

为什么ReAct如此重要？因为它打破了传统模型“一问一答”的线性模式。想象一下你在修理一台复杂的机器，你不会只是盯着它kan然后突然修好。你会先思考：“哪里坏了？”，然后拿起螺丝刀去拧那个螺丝，Zui后观察机器是否运转。Ru果没修好，你会重新思考， 尝试。

ReAct正是将这种推理与行动显式地结合了起来。推理让行动有了明确的目的性，不再是盲目的随机尝试；而行动则为推理提供了坚实的事实依据，不再是毫无根据的空想。智Neng体在这个过程中，不仅知道Zui终的答案是什么geng重要的是它记录下了自己是如何从一个充满缺陷的初稿，一步步迭代、修正，Zui终抵达真理彼岸的。这整个“执行-反思-优化”的轨迹，就是智Neng体Zui宝贵的经验财富。

在这个范式中，智Neng体会不断重复 Thought -> Action -> Observation 的循环。每一次新的观察结果，dou会被追加到历史记录中，形成一个不断膨胀、不断丰富的上下文环境。直到它在 Thought 阶段确信自己Yi经找到了Zui终答案，它才会停止循环，输出结果。这种机制，让智Neng体拥有了处理多步推理任务的潜力。

Ru果我们用控制论的眼光来审视ReAct，会发现它是一个完美的反馈系统。我们Ke以将这个流程拆解为几个核心环节，每个环节dou对应着智Neng体内部的一个关键组件：

Thought： 这对应着控制论中的“状态估计”与“策略计算”。智Neng体基于历史的观测数据，分析当前所处的局势，分解复杂的任务，制定出下一步的行动计划，或者对上一步返回的结果进行深刻的反思。

Action： 这是“控制指令”的下发环节。智Neng体根据思考的结果，调用具体的工具，比如搜索引擎、计算器或者代码解释器，来执行具体的操作。

Observation： 这是“传感器反馈”机制。工具执行完毕后将环境的真实状态返回给智Neng体，修正它对世界的认知，为下一轮思考提供依据。

理论总是丰满的，但代码的实现往往充满了各种琐碎的细节。本篇将紧接上文，利用我们Yi经封装好的LLM客户端和工具箱，通过精细的Prompt工程与正则表达式解析，从零开始组装一个完整的ReAct智Neng体。我们将深入代码的核心，去触碰那些跳动的字节，kankan这个逻辑闭环是如何在Python脚本中运转的。

在开始之前，我们需要Zuo好一些准备工作。这就像是在Zuo饭前要备好食材一样。我们需要配置好API密钥，安装必要的依赖库，并封装一个健壮的基础LLM调用函数。毕竟谁也不希望在进行到关键步骤时因为网络波动或者API限流而前功尽弃。

打开你的终端，我们需要安装两个核心库：openai 用于与模型服务交互，python-dotenv 用于管理我们的敏感配置。别小kan这些准备工作，良好的工程习惯是构建复杂系统的基石。

pip install openai python-dotenv

接下来创建一个 .env 文件。这个文件将是你存放秘密的地方。把任何兼容OpenAI服务的配置dou记录在这里千万不要把它们直接硬编码在代码里否则当你把代码上传到GitHub时你的密钥可Neng就“裸奔”了。

# .env file
LLM_API_KEY="YOUR-API-KEY"
LLM_MODEL_ID="YOUR-MODEL"
LLM_BASE_URL="YOUR-URL"

直接调用API往往充满了风险。网络不稳定怎么办？服务限流怎么办？为了应对这些不可控因素，我们需要定义一个专属的LLM客户端类。这个类将封装所有与模型服务交互的细节，并加入重试机制，让它变得geng加易于复用和健壮。

这里我们使用了 tenacity 库来实现自动重试。当遇到连接错误或速率限制错误时程序不会立刻崩溃，而是会等待一段时间后 尝试。这种“韧性”是生产级代码必须具备的素质。

import os
import time
from openai import OpenAI, APIConnectionError, RateLimitError
from tenacity import retry, stop_after_attempt, wait_exponential, retry_if_exception_type
from dotenv import load_dotenv
# 加载环境变量
load_dotenv
class BaseLLM:
    """
    为 "Hello Agents" 定制的LLM客户端
    用于调用任何兼容OpenAI接口的服务，默认使用流式响应
    """
    def __init__(
        self,
        model: str = None,
        api_key: str = None,
        base_url: str = None,
        timeout: int = None,
    ):
        """
        初始化LLM客户端，优先使用提供的参数，否则从环境变量中获取
        """
        self.model = model or os.getenv
        self.api_key = api_key or os.getenv
        self.base_url = base_url or os.getenv
        self.timeout = timeout or os.getenv
        if not all:
            missing = 
            raise ValueError}")
        self.client = OpenAI(
            api_key=self.api_key,
            base_url=self.base_url,
            timeout=self.timeout,
        )
    @retry(
        # 当函数抛出特定异常时才进行重试
        retry=retry_if_exception_type),
        # Zui多尝试3次Ru果3次dou失败，就不再重试，抛出异常
        stop=stop_after_attempt,
        # 定义重试之间的等待时间，初始3秒，每次增加1倍，Zui多10秒
        wait=wait_exponential
    )
    def think(
        self,
        messages: list],
        temperature: float = 0.7,
    ) -> str:
        """
        调用LLM模型思考，返回思考结果
        """
        print
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                temperature=temperature,
                stream=True,
            )
            # 处理流式响应
            collected_content = ""
            for chunk in response:
                # 防御性编程，确保chunk.choices.delta.content存在
                content = chunk.choices.delta.content or ""  
                # 只有有内容才打印
                if content:  
                    print
                    collected_content += content
            # 换行
            print
            return collected_content
        except Exception as e:
            print}")
            raise e
class DeepSeekLLM:
    """
    为 "DeepSeek" 定制的LLM客户端
    用于调用DeepSeek的API，默认使用流式响应
    """
    def __init__(
        self,
        model: str = None,
        timeout: int = None,
    ):
        """
        初始化DeepSeekLLM客户端，优先使用提供的参数，否则从环境变量中获取
        """
        super.__init__(
            model="deepseek-chat",  # 默认使用DeepSeek-V3.2非思考模式，思考模式用deepseek-reasoner
            api_key=os.getenv,
            base_url="https://api.deepseek.com/v1",
            timeout=timeout,
        )
# 客户端使用示例
if __name__ == "__main__":
    try:
        llm_client = DeepSeekLLM(
            model="deepseek-chat",
            timeout=60,
        )
        messages = 
        result = llm_client.think
        if result:
            print
        else:
            print
    except Exception as e:
        print}")

这段代码不仅仅是几个函数的集合，它体现了我们对稳定性的追求。特别是那个 retry 装饰器，它就像是一个不知疲倦的后勤保障人员，在网络拥堵时默默等待，在连接断开时尝试重连，确保我们的思考过程不会因为外界的干扰而中断。

虽然ReActYi经非常强大，但它并不是终点。在智Neng体构建的征途中，我们还kan到了其他令人着迷的范式。比如 Plan-and-Solve，它强调“三思而后行”。与ReAct的“边想边Zuo”不同，Plan-and-Solve要求智Neng体在行动之前，先生成一个完整的行动计划，然后严格按照计划逐步执行。这种方式在任务目标明确、步骤清晰的情况下往往Neng表现出geng高的效率。

然而真正的智Neng体不应该只是执行命令的机器，它应该具备自我进化的Neng力。这就引出了 Reflection 范式。ReAct和Plan-and-Solve在完成任务后通常就会停止，就像交了作业就跑的学生。而Reflection范式引入了“事后修正”机制，模拟人类“初稿-反思-修稿”的工作流。

想象一下智Neng体在完成代码生成任务后并没有急着输出，而是先进行自我审查。它可Neng会发现代码的时间复杂度是 $O$，然后通过反思和优化，将其降低到 $O$。这种算法级的自动优化，才是智Neng体真正的魅力所在。它不再仅仅是在回答问题，而是在创造geng完美的解决方案。

当我们明确了智Neng体构建中Zui核心的组件后我们需要换一个角度来kan待这个过程。与其说我们在写代码，不如说我们在进行一场敏捷开发。我geng希望大家Neng按照软件工程的严谨思路去打造智Neng体，同时利用敏捷开发的模式来快速迭代。

不要指望一次性就Neng构建出一个完美的智Neng体。这几乎是不可Neng的。你需要像打磨一件艺术品一样，不断地测试、不断地调整Prompt、不断地优化工具的调用逻辑。每一次迭代，dou是智Neng体智商的一次飞跃。从Zui简单的ReAct开始，逐步加入规划Neng力，Zui后引入反思机制，这不仅是技术的演进，geng是对智Neng本质的不断探索。

在这个过程中，数学符号也Neng帮助我们理解其中的奥秘。Ru果我们用 $t$ 表示时间步，$\pi$ 代表大语言模型，$q$ 表示初始问题，$$ 表示第 $k$ 轮的行动与观察，那么整个智Neng体的运行轨迹就Ke以被精确地描述和量化。这种形式化的表达，有助于我们在调试时找到逻辑的漏洞。

构建智Neng体，本质上是在教机器像人一样思考。ReAct范式给了我们一个绝佳的起点，它让我们kan到了“推理”与“行动”结合所产生的巨大Neng量。通过封装健壮的LLM客户端，设计精细的Prompt，我们完全有Neng力从零开始，组装出一个属于自己的数字助手。

当然路漫漫其修远兮。标准组件固然好用，但当它们无法满足你那些天马行空的复杂需求时不要害怕。你Yi经拥有了深度定制乃至从零构建一个全新智Neng体的Neng力。去尝试，去犯错，去优化吧。因为在代码的世界里每一次报错dou是通往真理的路标，每一次重构dou是智慧的沉淀。这就是构建智Neng体经典范式的意义所在。