---
title: "ReAct框架（ReAct Framework）"
slug: react-framework
language: zh-TW
source: https://aiterms.tw/terms/react-framework
updated_at: 2026-04-29
tags: [AI Agent, 大型語言模型, Prompt工程, AI應用, 自然語言處理]
ipas_term: false
---

# ReAct框架（ReAct Framework）
> **你有沒有用過 ChatGPT 查即時資訊，結果它講得很像真的但其實是編的？**
>
> 這是因為傳統的語言模型只會「想」，不會「做」，它沒辦法真的去查資料、打API、或驗證自己說的對不對。
>
> 你可以把它想成一個先回答「用途是什麼」的入口，抓住生活場景後，再看技術細節會更容易。

### 容易混淆

> **ReAct vs 思維鏈（CoT）vs 傳統 AI Agent**
>
> 思維鏈（CoT）：只有推理，模型一步步想但不會執行任何行動，無法取得外部資訊。
>
> 傳統 AI Agent：只有行動，按照預設規則執行任務，沒有中間推理過程。
>
> ReAct：推理和行動交替進行，每次行動後觀察結果，再決定下一步怎麼推理。
>
> 最關鍵的區別：CoT 只動腦不動手，傳統 Agent 只動手不動腦，ReAct 邊動腦邊動手。

### 記住這句就好

> 想一步、做一步、看結果、再想下一步。

### 實際案例

> **複雜問題查詢：Before / After**
>
> Before：你問 ChatGPT「2024 年奧運馬拉松金牌得主的出生地人口有多少？」，模型必須一口氣回答，但它的訓練資料可能沒有最新結果，於是開始編造一個聽起來合理的答案。
>
> After：用 ReAct 框架，模型的處理過程變成：（1）推理：我需要先查 2024 奧運馬拉松金牌是誰（2）行動：搜尋「2024 Olympic marathon gold medal」（3）觀察：搜尋結果顯示是 Tamirat Tola（4）推理：然後我需要查他的出生地（5）行動：搜尋「Tamirat Tola birthplace」（6）觀察：出生於 Ambo, Ethiopia（7）推理：最後查 Ambo 的人口（8）行動：搜尋 Ambo Ethiopia population（9）觀察：約 10 萬人（10）輸出最終答案。每一步都有真實資料支撐，不需要猜測。
>
> **客服自動化**
>
> 一家電商的客服機器人收到「我的退款怎麼還沒到？」的問題。傳統做法是用關鍵字比對回覆罐頭訊息。ReAct 框架下，機器人會：推理（需要查這位客戶的退款狀態）→ 行動（呼叫訂單系統 API 查詢）→ 觀察（退款已於 3 天前發起，銀行處理中）→ 推理（應該告知客戶預計到帳時間）→ 輸出：「您的退款已在 4/26 發起，一般銀行需要 3-5 個工作天，預計 5/1 前到帳。」

### 算法與應用

> **定義**
>
> ReAct（Reasoning + Acting）是一種讓語言模型交替進行推理和行動的框架，由 Yao et al. 在 2022 年提出。模型在每一步生成「思考」（Thought）、「行動」（Action）、和「觀察」（Observation），形成一個迭代循環直到得出最終答案。
>
> **核心運作循環**
>
> | 步驟 | 做什麼 | 範例 |
> |---|---|---|
> | Thought（思考） | 模型分析目前狀態，決定下一步策略 | 「我需要先查這個人的出生地」 |
> | Action（行動） | 呼叫外部工具：搜尋引擎、API、資料庫 | Search["Tamirat Tola birthplace"] |
> | Observation（觀察） | 接收行動返回的結果 | 結果：Born in Ambo, Ethiopia |
>
> 這三步不斷循環，直到模型判斷已經有足夠資訊可以回答問題。
>
> **主要應用領域**
>
> | 領域 | 應用方式 |
> |---|---|
> | 問答系統 | 多步驟查詢、需要即時資訊的問題 |
> | 智能助理 | 幫用戶完成跨系統的操作任務 |
> | 程式除錯 | 推理可能的 bug 原因，執行測試，觀察結果 |
> | 資料分析 | 逐步查詢資料庫，根據結果調整分析方向 |

### 情境判斷

> **Q1（直覺題）：** 你想讓 AI 回答「台灣目前的 GDP 是多少？」這種需要即時資料的問題。用純語言模型還是 ReAct 框架？
>
> → ReAct。純語言模型的知識有截止日期，無法取得最新數據。ReAct 可以在推理過程中搜尋最新資料，用真實數字回答。
>
> **Q2（判斷題）：** 你要做一個翻譯工具，輸入英文句子、輸出中文翻譯。需要用 ReAct 框架嗎？
>
> → 通常不需要。翻譯是單步任務，不需要外部工具或多步推理，語言模型本身就能完成。ReAct 的價值在於需要「邊想邊查」的多步驟任務，如果任務本身不需要外部資訊或工具呼叫，加入 ReAct 反而增加延遲和複雜度。

### 常見問題

> **Q：ReAct 框架只能搭配大型語言模型嗎？**
> 原始論文是基於 LLM 設計的，因為推理和行動的生成都依賴語言理解能力。但概念上，「推理-行動-觀察」的迭代循環可以套用到其他類型的 AI 系統，只是目前最成熟的實作都是搭配 LLM。
>
> **Q：ReAct 能完全消除 AI 幻覺嗎？**
> 不能完全消除，但能大幅降低。當模型可以透過搜尋或 API 取得真實資料時，事實性錯誤會減少。但如果搜尋結果本身就不準確，或模型在推理過程中做出錯誤判斷，幻覺仍然可能發生。
>
> **Q：LangChain 跟 ReAct 是什麼關係？**
> LangChain 是一個開發框架，它實作了 ReAct 作為其中一種 Agent 策略。你可以用 LangChain 快速建立一個 ReAct Agent，但 LangChain 也支援其他策略如 Plan-and-Execute。ReAct 是概念，LangChain 是工具。

### 相關術語

> - **AI 代理**：ReAct 是建構 Agent 的核心框架之一，理解 Agent 才能理解 ReAct 的定位
> - **思維鏈**：ReAct 的「推理」部分就是 CoT，兩者對比讀最清楚
> - **LangChain框架**：最常用來實作 ReAct 的開發工具，讀完概念後看實作
> - **AI 幻覺**：ReAct 主要解決的問題之一，理解幻覺才知道 ReAct 為什麼重要

---

來源：https://aiterms.tw/terms/react-framework
快查頁：https://aiterms.tw/terms/react-framework
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-react-framework