我的ReAct Agent搭建全流程｜从零实现 + 完整代码解析
很多同学学 Agent 的时候，总被各种复杂概念劝退：ReAct 范式、推理执行循环、工具调用、记忆模块，看了一堆理论，真正动手写代码就无从下手。看得懂原理，却跑不起来第一个 Demo，这是绝大多数人入门时遇到的困境。
Agent 推理模式有哪些？ReAct 是啥？具体是怎么实现的？
开场：那道必问的"循环是谁在驱动？" 你做过 Agent，说说 ReAct 是什么，跟普通 LLM 调用有什么区别？ 就是让模型一边思考一边行动，调工具拿结果再继续思考……一个循环。 那这个循环是谁在驱动？模型自己在转吗？ 应该是模型自己吧？它判断完成了就停。 不对。
从 ReAct 到 Agent Teams：一个工程师视角的 Agent 协作机制思考
作者：蒋泽林（林曜）Agent 的本质：ReAct 模式即人类智能的工程化抽象做了两个月的 Agent 开发，我越来越确信：当前 Agent 能真正完成任务，很大程度取决于 ReAct（Reasoning + Acting）模式的出现。
讲透 Graph Engineering：新瓶装旧酒，还是 Agent 变强后的必然？
有个小伙伴在后台留言：“什么是 Graph Engineering”。我就知道 AI 工程界又火了一个词。第一次看到 X 上 Graph Engineering 的争论时，我的第一反应是：这不是 LangGraph 之前玩的那套吗？
ReAct Agent 从原理到实现：让大模型学会思考、行动与观察
ReAct 的价值在于：它把大模型从一次性文本生成器推进到能够感知外部结果并继续决策的执行系统（Thought--Action--Observation），也为理解后续 Agent 架构提供了共同起点。
别把Agent当聊天机器人：ReAct循环和Tool Call才是核心
这是《AI Agent工程化实战》系列的第一篇。这个系列会从 Agent 到底是什么讲起，一路讲到多Agent协作、权限治理和自学习进化。今天先把地基打牢：Agent 和聊天机器人，到底差在哪。先讲个我自己的场景。
Spring AI Alibaba 中使用 ReactAgent 详解：从 Builder 配置到图执行
ReAct 模式解决的是"让模型真正干活"的问题：模型不能只输出文字，还要能调用工具、看到结果、再决定下一步。它的循环只有三步——思考（Reason）、行动（Act）、观察（Observation），反复执行直到问题解决。
Agent面试:AgentScope 的 Agent、Message、Model、Memory、Tool
面试官把 AgentScope 的 Agent、Message、Model、Memory、Tool 放在一起问，真正想听的不是“五个组件的定义”，而是你能不能说清：谁负责决策，谁负责传递，谁负责生成，谁负责保存，谁负责执行。