在第 4 阶段的 RAG 体系中，我们已经见识了 AI 查阅资料的能耐。但它依然是个被动的书呆子：你提一个问题，它帮你查资料，最后总结成一段话给你。
但如果你想要一个能自动帮你订机票、自动拉群发邮件、甚至自动跑代码修 Bug 的数字员工呢？ 如果 AI 不长出“手”，它懂再多大道理也只是纸上谈兵。
如何让模型长出双手？如何让它在遇到复杂任务时不再盲目瞎猜，而是学会“遇到山峰就调出登山镐，遇到大河就调出皮划艇”？ 这就是 Agent（智能体） 要解决的问题。
作为本系列的最核心连载，本章我们将拆解 Agent 的绝对底层发动机：ReAct 脑回路和 Tool Calling（工具调用） 协议。
1. 概念跨越：到底什么是 Agent？
如果你经常刷科技新闻，一定会觉得这个词被滥用了。似乎只要是个聊天框，厂商都叫它 Agent。
但在现代 AI 工程体系里，Agent 有极度严格的划分边界。
- 普通的 LLM 聊天（ChatGPT）：你输入 Prompt ➝ 它根据训练数据预测下一个词 ➝ 输出文本。结束。
- RAG 搜索（Perplexity）：你输入问题 ➝ 脚本去数据库搜索文本 ➝ 交给 LLM 组装 ➝ 输出文本。结束。
- 真正的 Agent（Devin 或 AutoGPT）：你下发一个抽象目标 ➝ 模型 自己拆解目标 ➝ 决定要用什么工具 ➝ 看到工具的返回结果 ➝ 纠正路线 ➝ 继续决定下一个动作，直到任务彻底跑完。
Agent 的本质，就是把大语言模型从一个“答题机器”，降级成为了一个“小脑（控制器）”。而用来驱动这个小脑的核心操作系统指令，就叫 ReAct。
2. 大脑的齿轮：ReAct 循环
在真实世界里，人们是怎么完成一件复杂事情的？ 假如让你去超市买一箱可乐。你首先会思考 (Thought)：好渴需要买可乐，没带钱包得用手机。接着采取行动 (Action)：走到小区超市。但到了之后你观察 (Observation)到超市关门了。于是你会再次陷入思考 (Thought)：马路对面有个自动售货机。最后执行新的行动 (Action)：过马路刷脸买到了可乐，顺利拿到结果。
2022年，普林斯顿大学的研究人员发表了著名的 ReAct 论文 (Reasoning + Acting)。他们发现，只要在给大模型的神奇 Prompt（系统提示词）里，教会它像人类一样交替进行“思考”和“行动”，模型就能在一连串的循环中完成极其复杂的推理任务！
2.1 ReAct 的系统长提示词模板
如果把目前市面上所有的 Agent 剥光，底层可能只是一段类似于下面这样的死磕 Prompt（也就是 Agent 框架为你封装好的核心循环）：
你是一个智能助手，必须按照以下严谨的格式来不断循环，直到给出最终答案：
【思考】：你对于当前状况的推理过程。需要什么信息？目标还差多少？
【行动】：需要采取的动作，只能从 [搜索天气, 查计算器, 发送邮件] 中选择一个！并给出传入的参数。
【观察】：这个观察结果不是由你生成的。系统运行了你的行动后，会把真实的客观结果返回给你看。
当你觉得所有信息都收齐了，请输出：
【最终答案】：你的回答。
2.2 循环演示
有了这个紧箍咒，面对“北京明天适合穿短袖吗？”，Agent 的大脑中会自动开启一场充满闭环逻辑的自言自语，它会按步骤一步步执行：
- Thought（思考）：用户问能不能穿短袖，我得先知道北京明天的天气。
- Action（行动）：调用获取天气工具
get_weather(location="北京", date="明天")。此时大模型原地挂起等待。 - Observation（观察）：(系统工程代码在外部查好后返回) 天气预报显示大风降温，最高温 10 度。
- Thought（思考）：拿到结果了！10 度太冷，绝对不能穿短袖，收集的信息已经集齐。
- 最终答案：得出结论，一本正经地输出最终答案，告诉用户务必要穿冬装。
这就是 Agent 拥有“灵魂”的全部机密。 模型本身并没有去调接口，它只是在文本框里输出了一个名为“Action 1”的字符串。 是挂载在系统里的工程代码，截获了这个短语，跑去替它执行了 API，然后再把结果像喂饭一样，通过“Observation”塞回了上下文里让它继续读。
3. 长出双手：Tool Calling (Function Calling 工作流)
其实，老一代的 AI（比如 OpenAI 年初刚开放 GPT-3.5 接口时），都是强行用上面那种死板的 Text Prompt 来解析结果的（依靠正则大军强行切割它输出的字符 Action: xxx）。
但文字是极度暧昧的。万一模型哪天抽风，没按格式或者连着说了一大堆废话，后端的代码就会因为无法抽取指令而当场崩溃。
所以，OpenAI 在 2023 年底推出了一个碾压全行业的核武器级基建更新：Function Calling（目前各家开源模型也已拉齐，统称 Tool Calling 工具调用）。
3.1 JSON Schema：人机之间的铁血契约
不要指望这帮大模型懂什么叫代码。 在它的眼里，所谓的工具，只是你递给它的一本极其详尽的字典说明书 (JSON Schema)。
当你发 起对话时，你除了发送消息，还会顺带向大模型传送一个类似这样的护身符：
{
"name": "get_weather",
"description": "获取某个城市的当日天气情况",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "城市名称，例如：北京、上海"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"]
}
},
"required": ["location"]
}
}
大语言模型（像 DeepSeek 或 GPT-4o）在训练阶段吃下过海量的此类契约。当它在判断这道题需要天气时，它在内部生成了隐藏的思考（Thought），然后在模型返回端，它拒绝生成普通的聊天文本（content为 null），而是直接吐出了一个机器可读的、百分百符合格式的指令参数块：
"tool_calls": [
{
"id": "call_123",
"type": "function",
"function": {
"name": "get_weather",
"arguments": "{\"location\": \"北京\", \"unit\": \"celsius\"}"
}
}
]
3.2 兵临城下：真实代码的执行
此时你的后台代码拿到了这个精准无比的 JSON：
- 解析意图：一切由虚转实，后台识别出模型想按天气按钮并抠出了“北京”这个关键参数。
- 执行代码：紧接着你的 Python 或 Node.js 脚本全面接管控制权，拿着企业秘钥向真实的第三方天气 API 发起跨网请求。
- 拿到结果：经过短暂的等待，生涩的接口数据
{ "temp": 15, "desc": "多云" }被成功拉取到了服务端内存中。
3.3 圆环闭合
- 投喂并回复：你再把这段冰冷的客观数据，贴上
role: tool和刚才的tool_call_id面包屑作为观测结果，第三次塞回大模型的聊天记忆池里。 这下它终于满意了，拿着温度，生成了完美的自然人类语言回复。
4. 总结
- ReAct 的核心意义是一场架构上的降维打击。它不再奢求模型一次性就蒙对最终答案，而是强迫模型像人类一样走一步看一步，每次行动后必须停下来等待环境的真实反馈，真正赋予了模型解决多步长尾问题的根基。
- Tool Calling 则是人机之间的格式契约。它彻底消解了自然语言的暧昧性，将其强行转化为百分之百精 确的 JSON 传参。有了它之后，团队分工变得极度明确：AI 舒舒服服地待在云端长脑子当指挥官负责下发标准化的动作意图，而真正在泥地里干脏活累活跟外网交互的执行者，永远是你服务器上的那些函数代码。
一句话真理：任何再花哨的 AI 产品，只要它能查网页、发邮件、跑代码，把盖子掀开，底层全都是这套
Tool Calling + ReAct在循环狂飙。
既然连入了工具集，具备了单独把一个任务干好的行动力。 那如果遇到超级庞大的跨日任务（比如：请你扮演客服，追踪帮我退一下这个月的机票然后重新预订），它应该怎么去记住之前的决策？它怎么在无数的小失误中自己把它掰正？
下一章预告： 当一只没有记忆力的鱼拥有了双臂，它依然无法造出大坝。 下一章，我们将为它引入 Agent 的认知与工作记忆！ 探讨它的短期、长期海绵记忆，以及能让 AI 自我打脸救场的终极技能——反思（Reflection）与自校正（Self-Correction）。
下一章: 5.2 认知架构：记忆管理与自主规划