Tager: ReAct

ReAct：从“会推理”到“会行动”的方法论前身

在 Tools 之前，LLM 研究里已经出现了 ReAct 这条思路。ReAct 的全称是 Reasoning and Acting，它的核心是让模型交替生成推理和动作。

经典模式可以表示为：

Thought: Thinking
Action: Tool calls

Observation: thinking + tool call ​+ tool result

Thought
Action
Observation
...
Final Answer

ReAct 的意义在于：它不再把模型看成一次性回答器，而是让模型在环境反馈中不断修正判断。

例如：

Thought:
  我需要知道当前天气，模型自身知识可能过时。

Action:
  search_weather("Paris")

Observation:
  Paris today is 25°C.

Thought:
  已经获得最新天气，可以回答用户。

Final Answer:
  Paris is 25°C today.

现代 Tools 可以视为 ReAct 的产品化、类型化版本：

Thought:
  通常不直接暴露，或只暴露 summary。

Action:
  tool call。

Observation:
  tool result。

Final Answer:
  模型最终回答。

ReAct 论文强调，推理轨迹可以帮助模型更新计划、处理异常，而动作可以让模型连接外部知识源或环境。Toolformer 论文则进一步从训练角度说明，模型可以学习何时调用 API、传什么参数、如何把返回结果纳入后续预测。

因此，Tools 不是凭空出现的 API 设计，它和 ReAct / Toolformer 这类研究一脉相承。区别在于：早期研究用自然语言文本模拟 action，现代 API 把 action 变成了结构化 tool call。

参考来源：ReAct: Synergizing Reasoning and Acting in Language Models、Toolformer: Language Models Can Teach Themselves to Use Tools、Chain-of-Thought Prompting

Agent 是一个模型驱动的执行系统：它接收一个目标，用模型决定下一步行动，并通过工具或外部环境交互来完成目标。

Diff With Workflow

不是所有 LLM​ + tool 都是强 Agent。

如果工具调用路径是代码写死的，例如“永远先搜索，再总结，再输出”，它更像 workflow。

如果模型能根据目标和中间结果动态决定“是否搜索、搜索什么、是否写文件、是否调用代码、是否交给子 Agent、何时停止”，它才是更严格意义上的 Agent。

AGI -> ASI

AGI (Artificial General Intelligence) and ASI​ (Artificial Superintelligence) represent two distinct, hypothetical stages of AI development. AGI matches human cognitive abilities across all domains, while ASI surpasses human intelligence and capability in every conceivable way.

通用人工智能（AGI） 和超级人工智能（ASI） 代表了人工智能发展中两个不同且假设性的阶段 ​。AGI 在所有领域都与人类的认知能力相当，而 ASI 则在每一个可想象的方面都超越人类的智能与能力。