ReAct 模式是现代 AI Agent 的核心范式之一。请解释：
追问：具备网页搜索能力的问答助手，算不算 Agent？
不太了解 ReAct，直接给了详细讲解后的追问：具备网页搜索能力的问答助手算不算 Agent？
认为搜索能力让助手变成了 Agent，但答不出 ReAct 的具体机制。
今天主题 ReAct 是新领域，答不出很正常。追问环节能主动思考"搜索助手是不是 Agent"，说明在尝试建立概念之间的联系，这个方向是对的。
不足：
评分：3/10（主题未答出，追问方向正确但结论有误）
ReAct 的全称是 Reasoning + Acting，核心思想是把大模型的推理能力和工具执行能力结合起来，形成一个 Thought-Action-Observation 的循环：模型先思考当前情况，决定下一步行动，执行后观察结果，再基于观察继续推理，直到完成任务。
用一个搜索问答的例子说明。假设问题是"特斯拉最近的股价是多少"。模型接收到这个问题后，会依次产生以下步骤：
第一步 Thought："用户问的是特斯拉股价，我需要先搜索最新股价信息。" → Action：调用搜索工具，query 是"特斯拉股票价格 2026"。 → Observation：搜索返回了股价数据 248.5 美元。 → Thought："我拿到股价了，可以直接回答用户的问题。" → Action：生成最终回答"截至最新数据，特斯拉股价为 248.5 美元"。
这就是完整的 Thought-Action-Observation 循环。
对比其他方案：纯 CoT 的问题是模型完全依赖内部知识，没有外部验证，容易产生 hallucination。ReAct 的优势是每一步推理都有外部 observation 做验证，不对自己编造的信息负责。相比纯 Tool-Use，ReAct 有规划能力，不会盲目调工具——模型会先想清楚"为什么调这个工具、调完之后要做什么"，而不是把工具调用当成查表的机械操作。
实际落地中最常见的问题有几个：
第一是循环死结。模型在 Thought-Action-Observation 里绕圈，同一个意图反复执行相同的 Action，尤其当工具返回的信息不足以回答问题时更容易出现。解法是限制最大循环次数，并给模型加一个"当信息足够时直接输出答案"的指令。
第二是上下文膨胀。多轮循环后上下文窗口塞满了 history，模型后期推理质量下降，甚至超出 token 限制。常见做法是做上下文压缩或者截断早期 steps。
第三是工具选择错误。模型在 Thought 阶段决定调用哪个工具，但 prompt 描述不清楚或模型对工具能力边界理解有误，导致调用了错误的工具，结果也被错误地用于后续推理。
第四是 Observation 噪声。工具返回的结果可能很长、包含无关信息，模型需要从 Observation 中提取有效信息再推理，这一环没做好就会导致答案跑偏。
关于追问——具备网页搜索能力的问答助手算不算 Agent？我的观点是：不完全算。判断 Agent 的关键不在于有没有工具，而在于有没有"自主规划加行动循环"。一个搜索问答助手本质上还是"用户问什么我答什么"的单轮模式，没有真正的规划、反思和自我修正能力。如果这个助手能自主判断"我需要搜索"，而不是等用户说"帮我搜索"，那才算跨入 Agent 的门槛。所以这是一个光谱，不是二元划分：纯 LLM 在一端，具备搜索能力的 RAG 助手在中间，具备 ReAct 循环和自主决策能力的才算真正的 Agent。