ReAct框架正在重塑LLM的交互逻辑，将单向问答升级为‘思考-行动-观察’的智能闭环。通过医疗客服与数学解题的实战案例，本文揭示这种框架如何实现信息准确性、过程透明性与自我修正能力的突破，为AI产品设计提供全新的方法论视角。

一、ReAct框架

ReAct 的本质是打破传统 LLM”输入问题→直接输出答案” 的单向模式，构建 “思考 – 行动 – 观察”(TAO) 的智能闭环，使模型从 “被动应答者” 升级为 “主动问题解决者”。

1、三步循环机制（TAO 闭环）

这个循环会迭代执行，直到任务完成或达到最大步数限制。

2、关键优势

• 减少幻觉：通过工具调用获取真实数据，避免模型编造不存在的信息
• 可解释性：推理过程外显化，让 AI 的决策过程清晰可见
• 适应性强：能处理需要多步骤、跨领域知识的复杂任务
• 自我修正：根据观察结果调整策略，纠正错误路径

二、实际应用场景与例子

场景 1：医疗智能客服（你熟悉的领域）

假设你设计一个口腔医院智能客服，需要回答用户：”我有牙龈出血，周六能洗牙吗？费用多少？”

传统 LLM 方式：可能直接回答，但容易出现信息不准确（如错误的价格或挂号时间）

ReAct 方式：

思考：”用户有牙龈出血症状，需要先判断是否适合洗牙；同时要查周六是否有洗牙预约，以及费用标准”

行动 1：调用医疗知识库 API，查询 “牙龈出血是否适合洗牙”

观察 1：API 返回 “轻度牙龈出血可以洗牙，建议选择超声波洗牙”

行动 2：调用医院预约系统，查询 “周六洗牙预约情况”

观察 2：系统返回 “周六有上午 9-12 点，下午 2-5 点可预约”

行动 3：调用价格查询 API，查询 “超声波洗牙费用”

观察 3：API 返回 “超声波洗牙基础价 200 元，会员 8 折”

最终回答：综合所有信息，给出准确建议

场景 2：复杂数学问题解决

用户问：”2026 年 2 月 11 日是星期三，那么 2027 年 2 月 11 日是星期几？”

ReAct 流程：

思考：”需要计算 2026 年 2 月 11 日到 2027 年 2 月 11 日之间的天数，再除以 7 求余数”

行动：调用日期计算工具，计算两个日期之间的天数

观察：工具返回 “365 天（2026 年不是闰年）”

思考：”365 ÷ 7 = 52 周余 1 天，星期三加 1 天是星期四”

最终回答：”2027 年 2 月 11 日是星期四”

三、ReAct 与传统 AI 方法的对比

ReAct 是 AI 智能体开发的核心技术之一，适合作为医疗 AI 产品设计的智能客服、辅助诊断、预约系统等应用场景。

实用建议：

1. 明确边界：确定 AI 能调用哪些工具（如医疗知识库、预约系统、价格查询）
2. 设计思考模板：为不同任务类型设计标准化的推理话术
3. 限制循环次数：避免无限循环，设置最大迭代步数
4. 错误处理：设计工具调用失败时的备用方案

四、直接可使用的系统提示词：

口腔医疗智能客服・ReAct 版系统提示词 + 用户提示词 + 完整执行示例

1）可直接复用的【系统提示词】（ReAct 框架）

2）用户提示词（真实用户提问）

我牙龈经常出血，周六可以过来洗牙吗？多少钱？

3）模型按 ReAct 执行的完整示例（你产品里的真实流程）

第 1 轮思考 + 行动

Thought: 用户问牙龈出血能不能洗牙、周六是否可约、价格。我需要先查洗牙的适应症，看牙龈出血是否适合。

Action: call_indication (洗牙)

工具返回（Observation）

Observation: 轻度牙龈出血、牙龈炎可以洗牙；严重自发性出血建议先检查。

第 2 轮思考 + 行动

Thought: 知道适应症后，我需要查周六是否可预约洗牙。

Action: call_booking (洗牙，周六)

Observation: 周六可约，时段：9:00-12:00，14:00-17:00。

第 3 轮思考 + 行动

Thought: 最后需要查洗牙价格。

Action: call_price (洗牙)

Observation: 超声波洗牙原价 200 元，首次到店 160 元。

最终回答

Final Answer: 轻度牙龈出血是可以洗牙的哦～周六全天都可以预约，时段是 9:00-12:00、14:00-17:00。超声波洗牙原价 200 元，首次到店价 160 元。