一、背景：从问答到行动
2024年，企业对大模型的期待不再是"写段文案"，而是"帮我查一下订单、改一下配置、生成一张报表"。这就需要Agent——一个能自主规划步骤、调用外部工具、根据观察结果调整策略的智能体。我们为某能源客户构建的智能客服Agent，就承担了查询工单、流转审批、调用内部系统的真实工作。
二、ReAct：推理与行动交替
ReAct（Reasoning + Acting）的核心是让模型把"想"和"做"交替进行：先思考下一步该干什么，再调用工具执行，观察返回结果后继续推理。一个典型循环如下：
思考：用户要查工单状态，需要先调工单系统查询接口
行动：call_tool("query_ticket", {"id": "SO12345"})
观察：工单处于"处理中"，预计明天完成
思考：已获得答案，可以回复用户
回答：您的工单目前处理中……
这种模式的好处是过程可解释、可干预，每一步都留下痕迹，出了问题能定位到是哪一步推理错了。
三、Function Calling：标准化工具调用
让模型调用工具，先要告诉它"有哪些工具可用、参数是什么"。这就是函数定义：
- 每个工具用JSON Schema描述名称、用途、入参结构。
- 模型根据用户意图，决定是否调用、调用哪个、填什么参数。
- 框架把模型返回的结构化参数真正执行，再把结果回传给模型。
工程上要注意三点：参数校验不能省、工具执行要做超时与异常兜底、高风险操作（如改数据）必须人工确认。
四、多步任务的编排
真实任务往往需要多个工具串联：查库存→查物流→生成回复。落地时有两种思路：
- 自主规划：让模型自己决定步骤顺序，灵活但可能跑偏。
- 固定流程：用状态机或工作流把主干写死，模型只在节点内决策，可控性强。
我们的经验是：企业场景优先选择"固定主干+节点内灵活"，既保证业务正确性，又保留智能性。
五、总结
Agent不是魔法，它是"大模型+工具+循环控制"的工程组合。ReAct解决了怎么想、Function Calling解决了怎么调、工作流解决了怎么不乱。落地时切忌一开始就追求全自动，应从低风险、高重复的辅助场景切入，逐步把人在回路的比例降下来。
本文关键词：Agent,ReAct,Function Calling,大模型,智能体,工具调用
相关推荐
技术干货 · 2026-07-22
端侧小模型与云端大模型协同架构设计
技术干货 · 2026-05-20
AIOps全面普及：2026年企业智能运维落地全景
技术干货 · 2026-05-12