9.3 LLM Agent 与工具调用：ReAct、Function Calling 与规划执行

1.从"会聊天"到"会干活"

前面八卷我们训出来的模型，本质上是个"会聊天"的东西——你问它答。但现实里我们想要的是"会干活"的东西：让它去查数据库、调 API、跑代码、操作浏览器、订机票。能让模型自主规划步骤、调用外部工具、根据反馈继续行动的这套范式，就是 Agent（智能体）。这是 2025–2026 年大模型应用最火热的方向，也是 8.5 节 GLM 的 ARC 定位、Kimi K3 的 agent 排名所争夺的核心战场。

这一章我们讲清 Agent 的基本范式：ReAct 循环、Function Calling、规划-执行结构。

2.ReAct：思考与行动交替

最经典的 Agent 范式叫 ReAct（Reasoning + Acting，推理加行动）。它的核心是一个循环：

Thought（思考）：模型根据当前任务和已有观察，推理下一步该干什么。
Action（行动）：模型选择一个工具并给出调用参数。
Observation（观察）：执行工具，把结果反馈给模型。
回到第 1 步，基于新观察继续推理，直到任务完成。

举个具体例子。用户问"杭州明天会下雨吗"，一个 ReAct Agent 会这样跑：

Thought：我需要查杭州明天的天气。
Action：调用 weather_api(city="杭州", date="明天")。
Observation：返回"小雨，15–22°C"。
Thought：拿到结果了，可以回答用户。
Action：finish(answer="杭州明天小雨，气温15–22°C")。

这个"思考-行动-观察"的循环，让模型不再只是"一次生成"，而是能多轮地、根据环境反馈地完成任务。ReAct 的精髓在于：推理（决定做什么）和行动（实际去做）交织进行，每一步行动的结果都会影响下一步推理。

3.Function Calling：结构化的工具调用

ReAct 用自然语言描述行动，容易出错（模型可能把参数写错格式）。Function Calling（函数调用） 是一个更结构化、更可靠的机制，现在几乎所有主流大模型（GPT、Claude、Qwen、DeepSeek、GLM）都原生支持。

Function Calling 的做法是：你预先定义一批"工具"（每个工具有名字、描述、参数 schema），告诉模型有哪些工具可用。模型根据用户请求，输出一个结构化的 JSON 调用（工具名 + 参数），而不是自然语言。调用框架解析这个 JSON、执行真正的函数、把结果返回给模型。

和 ReAct 比，Function Calling 的优势是结构化、可靠（JSON 比自然语言好解析），而且模型经过了专门训练来正确输出函数调用。劣势是灵活性略低（工具要预先定义）。实际工程里两者经常结合——用 Function Calling 做可靠的工具调用层，用 ReAct 风格的思考循环做规划。

4.规划-执行：复杂任务的拆解

ReAct 适合"几步就能完成"的简单任务。但面对"帮我调研 X 并写一份报告"这种复杂任务，逐 token 的 Thought-Action 循环效率太低，而且容易跑偏。于是有了**规划-执行（Plan-and-Execute）**结构：

规划阶段：先用模型把大任务拆成一组有序的子任务（一个计划）。
执行阶段：逐个执行子任务，每个子任务可以是一个 ReAct 循环或一次工具调用。
重新规划：执行中如果发现计划不合理，回到规划阶段调整。

这比纯 ReAct 更适合长链条、多步骤的复杂任务，因为规划是显式的一步（不是埋在 token 流里），人可以审查、可以改。

5.工具调用协议：MCP 的兴起

到 2025–2026 年，Agent 生态还出现了一个重要标准——MCP（Model Context Protocol）。它解决的是"工具定义碎片化"问题：每个模型厂商、每个 Agent 框架以前都各自定义工具格式，互不通用。MCP 提供了一个统一的工具/资源暴露协议，让一个工具写一次就能被任何支持 MCP 的模型和框架调用。这正在成为 Agent 生态的事实标准，类似"工具界的 USB 接口"。

6.练习

Q1. ReAct 循环的三个步骤是什么？为什么说"行动的结果会影响下一步推理"？

Thought（思考下一步）、Action（选工具调用）、Observation（执行结果反馈）。每步 Observation 作为新信息喂回模型，影响下一步 Thought，所以推理和行动交织、动态适应。

Q2. Function Calling 相比 ReAct 的纯自然语言行动，有什么优势？为什么更可靠？

Function Calling 输出结构化 JSON（工具名+参数），比自然语言好解析、不易写错格式；且模型经专门训练正确输出函数调用。可靠性强，适合工程化部署。

Q3. 规划-执行结构相比纯 ReAct，适合什么任务？为什么？

适合长链条、多步骤的复杂任务。规划是显式的一步（可审查可改），而非埋在 token 流里；执行阶段逐子任务跑，效率比逐 token 循环高，且不易跑偏。

Q4.（面试题） 如果要你搭一个"能查数据库、能画图、能发邮件"的 Agent，你会怎么设计？用到哪些组件？

用 Function Calling 做工具调用层（定义 query_db/plot/send_email 三个工具的 schema），用 ReAct/Plan-Execute 循环做规划。用户请求进来→模型规划步骤→逐步 Function Call 调工具→观察结果→继续，直到完成。工具定义尽量遵循 MCP 协议以保证可复用。

7.小结

Agent 把大模型从"会聊天"变成"会干活"，核心是 ReAct 循环（思考-行动-观察）+ Function Calling（结构化工具调用）+ 规划执行（复杂任务拆解）。MCP 正在统一工具生态。下一篇我们看多个 Agent 怎么协作完成更复杂的任务。

下一章见。