手搓智能体，说起来有点狂妄，实际也不是不可能！🤔
要达到手搓智能体这一步，我们还差一个重要的知识点——智能体的“骨架”：ReAct框架。
前面聊过的RAG、Function Calling、MCP、Skills，是智能体的血肉；大语言模型是它的“大脑”；而ReAct这个骨架，才能真正撑起AI这个庞然大物。
🔍 什么是ReAct框架？
ReAct 全称 Reasoning + Acting（推理 + 行动），是普林斯顿 & 谷歌 2022 年提出的 AI 大模型智能体核心架构，也是当前 LLM Agent 最主流、最基础的设计范式。
它精准解决了原生LLM的痛点：只会空想、不会查外部信息、容易幻觉、无法分步解决复杂问题，让大模型像人类一样，循环解决问题：
📌 三大核心组件（TAO循环）
完整循环：Thought → Action → Observation → 重复，直到任务结束输出Answer。
1. Thought（思考/推理）：LLM内部逻辑分析、任务拆解、规划下一步，比如理解用户问题、判断缺什么信息、制定计划。
2. Action（行动/执行）：把思考变成可执行操作，调用工具（搜索网页、查数据库、API调用、代码执行等）。
3. Observation（观察/反馈）：工具执行后的客观结果，作为下一轮思考的输入依据。
💡 不用从零搭建！
大家熟知的OpenClaw小龙虾，就是一个标准的智能体，直接使用AI 能力来完成任务的“数字员工”或助手。包括我前面用到的OpenCode也是，还有比较有影响力的Claude Code，一般我们直接去使用这些智能体就行了。
但某些专业领域或者企业，可能需要自己搭建智能体，定制用于专属领域或专属目的，就需要自己搭建智能体。即使需要搭建智能体，也是不需要从0到1的写，早就有人封装了ReAct框架等AI部件，实现了智能体的一些功能，你直接调用就行了。比如LangChain， 是一个供开发者使用的代码框架，可以基于它来开发AI应用；再如Dify，是一个面向更广泛用户的低代码应用开发平台，可以快速搭建出应用，开箱即用。🔥 实操环节：纯手写ReAct智能体（核心版）
今天不调用LangChain和Dify，直接按ReAct思想，实现一个超萌版智能体，看懂它的工作原理！
标准ReAct完整流程：
① Thought：大模型思考（比如“需要查XX，无实时信息，必须搜索”）
② Action：调用Search工具，搜索关键词
③ Observation：获取工具返回的真实数据
④ Thought：分析结果，信息足够则总结
⑤ Final Answer：输出最终答案
💻 纯Python手写核心代码（可直接复制运行）
import requests# ===================== 配置 =====================ALIYUN_API_KEY = "sk-3fa" #需要申请大模型api-keyBOCHA_API_KEY = "sk-ddb" #需要申请web搜索api-keyALIYUN_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"BOCHA_URL = "https://api.bocha.cn/v1/web-search"# ===================== 思考函数 =====================def think(question: str, history: str) -> str: print("🤖 正在思考...") payload = { "model": "qwen3.6-plus", "messages": [{ "role": "user", "content": f"""你是ReAct智能体，按格式输出下一步思考与行动。用户问题：{question}历史记录：{history}规则：1. 若信息不足 → 输出：Action: Search[查询词]2. 若信息足够 → 输出：Finish: [最终答案]""" }], "temperature": 0 } headers = { "Authorization": f"Bearer {ALIYUN_API_KEY}", "Content-Type": "application/json" } resp = requests.post(ALIYUN_URL, headers=headers, json=payload) return resp.json()["choices"][0]["message"]["content"].strip()# ===================== 搜索 ============================def web_search(query: str) -> str: print(f"🔍 正在搜索：{query}") headers = { "Authorization": f"Bearer {BOCHA_API_KEY}", "Content-Type": "application/json" } data = { "query": query, "summary": True, "freshness": "noLimit", "count": 2 } resp = requests.post(BOCHA_URL, headers=headers, json=data) # 只取1000字符，加快处理 return str(resp.json())[:1000]# ===================== ReAct 主循环 =====================def react_agent(question: str): history = "" print(f"\n📌 问题：{question}\n") for step in range(1, 4): print(f"=== 第 {step} 轮 ReAct ===") thought = think(question, history) print(f"思考结果：{thought}") if "Finish:" in thought: ans = thought.split("Finish:")[-1].strip() print(f"\n✅ 最终答案：{ans}") return try: query = thought.split("Search[")[1].split("]")[0] except: query = question res = web_search(query) print(f"搜索结果：{res}\n") history += f"\n{thought}\n搜索结果：{res}"# ===================== 启动 =====================if __name__ == "__main__": user_q = input("请输入问题：") react_agent(user_q)
📝 运行测试
运行后，输入问题：“华为手机最新的型号是什么?”，经过两轮ReAct循环，即可输出答案。
小遗憾：目前仅能搜索到2025年信息，若添加“获取当前时间”工具，带上2026年时间查询，结果会更精准～
其实只要再增加工具调用、MCP调用、数据库调用，这个简单的智能体，就能升级成能处理复杂任务的“超级助手”！
智能体的厉害之处，就在于它会不停循环“思考→行动→观察→再思考”，给它一个目标，不达目的不罢休，比优秀员工还靠谱！💪
你想让这个智能体解决什么问题？评论区留言～一起解锁智能体的更多玩法！
#AI智能体 #ReAct框架 #Python实操 #手搓AI智能体 #LLMAgent
