🤖 ReAct 模式 & CoT 思维链
两个让大模型「变聪明」的核心技能：一个负责动脑，一个负责动脑+动手。
CoT · 思维链 Chain of Thought
❓ 它在解决什么问题？
直接让模型「一口报出答案」，就像让小学生心算三位数乘法——容易出错。
CoT 的做法：逼着模型把推理过程一步一步写出来，先中间步骤、再得出结论。写对了步骤就能算对。
🔑 核心思想
「把你的思路说给我听」。模型每写一步，注意力就更聚焦，错误率大幅下降——尤其在数学、逻辑、多步推理任务上效果拔群。
⚡ 玩法一：Zero-shot CoT
什么都不给，只在提示词末尾加一句魔法咒语：
"Let's think step by step."
模型就会自动展开推理过程。零成本、即插即用。
📚 玩法二：Few-shot CoT
在示例里，明确给出「带完整推理过程」的问答对，模型会模仿这种推理风格。
⭐ 效果通常比 zero-shot 更稳定，但需要精心设计示例。
ReAct 模式 · Reasoning + Acting
🛠️ 什么叫 ReAct？
ReAct = Reason（推理）+ Act（行动）。
CoT 只会「想」，但模型无法真正获取外部信息。
ReAct 让 Agent 在一个循环里交替进行：想 → 做 → 看结果 → 再想，直到拿到答案。
可以调用搜索、计算器、数据库、API 等「工具」。
💡 它比 CoT 强在哪？
CoT 的推理可能基于过时或错误的记忆；ReAct 则能实时查证。
例如问「今天北京天气」，模型记忆早过期了——但 ReAct 会去调用天气 API，拿到真实观测再回答。
外部工具 ✚ 事实核查
两者的关系
CoT 思维链
只「动脑」
一步一步推理
纯文本 / 不联网
ReAct 模式
「动脑 + 动手」
推理 + 调用工具
可实时获取信息
对比速查表
| 维度 | 🧠 CoT 思维链 | 🛠️ ReAct 模式 |
|---|---|---|
| 核心能力 | 逐步推理 | 推理 + 工具调用 |
| 能否联网/查证 | ✗ 不能 | ✓ 能（调用工具） |
| 适合任务 | 数学、逻辑、多步计算 | 需要实时/外部信息的任务 |
| 技术门槛 | 低（改提示词即可） | 中（需搭建工具调用框架） |
| 常见形态 | 纯 LLM 提示词 | AI Agent / 智能体 |
实战小贴士
简单题别硬上 CoT
只有多步/复杂推理才需要思维链，简单问答加了反而啰嗦。
需要事实就上 ReAct
涉及实时数据、联网、多工具协作时，CoT 不够用，必须 ReAct。
组合使用更香
ReAct 内部每一步的「Thought」本质上就是一个 CoT 推理。
控制推理长度
过长的思维链会占用 token、变慢，给模型设定好步数上限。
CoT 是「把思路说出来」的推理技巧，ReAct 是在这基础上「还能调用外部工具」的 Agent 模式——动脑，更要动手。
CoT 就是让模型把推理过程一步一步写出来的技巧。因为直接让它报答案容易错，比如算个数学题，中间一跳步就崩了；但如果让它先算中间步骤、再得出结论，准确率会高很多。实现也简单，提示词里加一句“Let's think step by step”，或者给它几个带推理过程的例子，也就是 Few-shot。
最大的区别是：CoT 只在脑子里推理，不接触外部信息；ReAct 是在推理的基础上还能动手——调用工具、查实时数据、调 API，然后观察结果再继续想。可以理解成 CoT 是“动脑”，ReAct 是“动脑加动手”。