上一篇我们用Coze零代码搭了一个Agent。但如果你想真正理解AI Agent的工作原理，或者想用代码开发更强大的Agent，就必须掌握这三大核心技术：ReAct、Chain-of-Thought和Tool Use。今天，我们把黑盒打开。一、为什么需要这些技术？1.1 大模型的原生局限大语言模型（LLM）很强大，但它有三大硬伤：局限表现后果知识截止训练数据有截止日期不知道最新信息无法行动只能生成文字不能查数据库、不能发邮件推理浅薄直接给答案复杂问题容易出错举个栗子：你问GPT-4：“2024年诺贝尔物理学奖得主是谁？”它可能回答：“我的知识截止到2024年4月，无法回答这个问题。”或者瞎编一个答案（幻觉）。1.2 解决方案：让模型"边想边做"核心思路：不要直接给答案，而是让模型一步步推理，需要信息时去查，有工具时去用。这就是ReAct、CoT、Tool Use要解决的问题。二、Chain-of-Thought（思维链）：让模型"说出思考过程"2.1 什么是CoT？Chain-of-Thought（思维链）= 让模型在给出最终答案前，先展示推理过程。传统Prompt：问：一个农场有鸡和兔，头共35个，脚共94只。鸡兔各几只？ 答：CoT Prompt：问：一个农场有鸡和兔，头共35个，脚共94只。鸡兔各几只？ 答：让我一步步思考。2.2 效果对比传统输出：鸡23只，兔12只。（如果错了，你不知道哪里错了）CoT输出：让我一步步思考： 1. 假设全是鸡，应该有35×2=70只脚 2. 实际有94只脚，多了94-70=24只 3. 每只兔比鸡多2只脚，所以兔有24÷2=12只 4. 鸡有35-12=23只 答案：鸡23只，兔12只。（每一步都清晰，错了也容易定位）2.3 CoT为什么有效？类比：就像你解数学题时，在草稿纸上写步骤，而不是直接写答案。技术原理：LLM是自回归模型，一次生成一个token生成中间步骤 → 为后续token提供更好的上下文复杂推理被拆解 → 每步难度降低 → 准确率提升2.4 CoT的实战技巧技巧1：显式触发在Prompt里加入触发词：- "让我们一步步思考" - "请展示你的推理过程" - "先分析，再回答" - "Think step by step"技巧2：Few-shot CoT给模型看示例：问：小明有5个苹果，给了小红2个，又买了3个，现在有几个？ 答： 步骤1：小明原有5个苹果 步骤2：给小红2个后，剩5-2=3个 步骤3：又买3个，有3+3=6个 答案：6个 问：一个水池，进水管5小时注满，出水管7小时排空，同时打开几小时注满？ 答：技巧3：Self-Consistency（自一致性）让模型生成多条推理路径，投票选最一致的答案：请用3种不同方法解答这个问题，然后选择最可靠的答案。2.5 CoT的局限局限说明增加token消耗推理过程也要算钱不保证正确步骤错了，答案也错简单问题没必要1+1=2不需要CoT使用建议：复杂推理任务用CoT，简单问答不