一个普遍的现象是，大模型通常会根据给定的提示直接生成回复。对于一些简单的任务，大模型或许能够较好地应对。然而，当我们面对更加复杂的任务时，往往希望大模型能够表现得更加“智能”，具备适应多样场景和解决复杂问题的能力。为此，AgentScope 提供了内置的 ReAct 智能体框架，使模型能够在多步骤、高复杂度的任务中展现出更强的推理与决策能力。

ReAct 算法来源于论文 “ReAct：Synergizing Reasoning and Acting in Language Models”，发表在 2023 年的 ICLR 会议上。ReAct 算法的核心是通过交替进行 reasoning 和 acting 的方式帮助智能体更好地应对和解决复杂问题。相较于一般的 reasoning 方法，能够根据当前的场景进行分析，做出更具有针对性的行动，并且提供了更好的可解释性和更高的容错度。

论文链接：https://www.alphaxiv.org/abs/2210.03629


1.ReActAgent

ReAct算法中，Acting一般通过调用工具的方式进行，因此我们首先需要为智能体准备工具函数，然后再使用这些工具函