简介

本文详细介绍了ReAct和Plan-and-Execute两种大模型推理模式。ReAct通过"观察-思考-行动"循环实现快速响应，适合即时场景；Plan-and-Execute则先制定计划后执行，更适合复杂任务。FastGPT实现了ReAct的三种调用方式：ToolChoice、FunctionCall和PromptCall。文章解析了工具调用的完整流程，包括准备工具描述、构造对话历史、请求模型、执行工具和结果回传，以及递归结束的三种条件。

---

本文介绍了 ReAct 、Plan-and-Execute 两种大模型推理模式，以及 FastGPT 对 ReAct 的三种实现方式。

一、ReAct 和 Plan

ReAct（Reasoning and Acting），让大模型通过「观察-思考-行动」三个步骤，循环往复，能够自主决定使用一些工具去解决问题。从代码层面来讲，本质是递归（or 循环），而递归结束的条件往往是超过次数限制、问题已经得到解决等条件。

Plan-and-Execute，相较于 ReAct，会先让大模型制定计划、步骤（子任务），然后按照计划依次执行。中间可能会调整计划，如有必要。

从一些测评集来看，ReAct响应速度更快，消耗 token 量少，但处理复杂任务的表现不及 Plan-and-Execute。这似乎也是意料之中。

笔者认为，在智能客服、需要即时响应等情况下，ReAct是最优解。且大部分实际生产环境中，计划可以由基于 Cot（Chain-of-Thought） 设计模式的 Prompt 来完成。

FastGPT中「工具调用」可以看做是 ReAct 的思路。

二、FastGPT 代码

代码所在目录：

1. 入口与主流程

工具调用的主入口是 dispatchRunTools（见 runTool/index.ts），它负责根据当前节点、上下文、历史消息等，决定是否需要调用工具，并组织好调用工具所需的参数和上下文。

2. 工具调用的三种模式

根据所用大模型的能力，分为三种调用方式：

• ToolChoice（如 OpenAI 的 tool_calls）：runToolWithToolChoice
• FunctionCall（如 OpenAI 的 function_call）：runToolWithFunctionCall
• PromptCall（通过 prompt 让大模型决定是否调用工具）：runToolWithPromptCall

dispatchRunTools 会根据模型的能力选择合适的调用方式。

科普一下 tool_calls 和 function_call 的区别：

function_call（旧版本）

• 每次只能调用一个函数
• 已被标记为 deprecated（废弃）

tool_calls（新版本）

• 支持并行调用多个函数
• 当前推荐的标准做法

最新的模型，目前主要使用 tool_calls，提供给大模型 tool schema，没有显式的使用Prompt干预整个过程。也可以看一下古老的PromptCall是如何处理的。附源码中的Prompt。

import { replaceVariable } from'@fastgpt/global/common/string/tools';

3. 工具调用的详细流程

以 runToolWithToolChoice 为例，流程如下（见 runTool/toolChoice.ts）：

1. 准备工具描述：将所有可用工具（toolNodes）转为 OpenAI tool schema，传递给大模型。
2. 构造对话历史：包括系统 prompt、历史消息、用户输入等。
3. 请求大模型：带上 tools schema，请求大模型，模型会决定是否需要调用工具，并返回 tool_calls。
4. 执行工具：根据大模型返回的 tool_calls，找到对应的工具节点，解析参数，实际执行工具（本质是调度 workflow 的子流程）。
5. 结果回传：将工具执行结果通过 SSE 或直接返回给前端，并递归判断是否需要继续调用工具或结束。
6. 工具节点的定义与参数

• 工具节点（toolNodes）包含了工具的唯一标识（nodeId）、描述、参数 schema（JSON Schema 格式）等。
• 工具参数的定义和校验也在节点 schema 中完成，最终会被序列化为 JSON 传递给大模型。

4. 递归结束条件

1. 工具有交互节点，并被选择

2. 没有工具需要调用

大模型返回的结果中没有需要调用的工具（如 toolCalls/functionCalls/toolJson 为空），说明流程已结束。

3. 递归次数达到上限

有一个保护参数 maxRunToolTimes（如 ToolChoice 默认 30），防止死循环，超过则强制终止。

三、AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓