本文深入浅出地解析了ReAct与FunctionCalling在大模型中的应用与区别。ReAct作为推理与行动协同的范式通过交替生成推理轨迹与环境交互动作形成“思考-行动-观察”闭环。FunctionCalling则是OpenAI推出的标准化工具调用方案支持GPT-3.5/GPT-4将模型输出结构化JSON调用指令变为官方能力。文章详细阐述了两种方式的实现原理和区别并指出FunctionCalling是实现ReAct思想的主流工程方式是现代AI Agent的基础能力。对于想要学习大模型和智能体构建的小白和程序员来说本文提供了宝贵的入门知识和实践指导。一问题导入在智能体流程编排工具中Agent策略中有两种方式1是FunctionCalling, 2是ReAct。这两种方式有什么区别呢图1 dify 界面中的 ReAct 与 FunctionCallingReActReason Act来自论文《ReAct: Synergizing Reasoning and Acting in Language Models》是 2022 年由 Google DeepMind 与普林斯顿大学提出的大模型范式核心是让模型交替生成推理轨迹Thought与环境交互动作Action形成 “思考 - 行动 - 观察” 闭环解决纯推理CoT的幻觉与纯行动的盲目性问题。FunctionCalling12023 年 6 月 13 日OpenAI 在 Chat Completions API 中正式发布FunctionCalling 功能支持GPT-3.5/GPT-4。这是首个工业级、标准化、API 原生的 LLM 工具调用方案将 “模型输出结构化 JSON 调用指令” 从提示词 hack 变成官方能力。2与早期 “工具调用” 的区别此前2022 年底已有通过提示词让模型输出 JSON 格式调用的尝试但属于非标准化、不稳定的 Prompt Engineering。OpenAI 的 FunctionCalling 是模型微调 API 原生支持提供统一的 functions 参数、结构化输出与可靠解析成为行业事实标准。随后 Anthropic、Google、Meta、字节跳动等厂商均推出兼容或类似的 ToolCalling / FunctionCalling 能力。目前较大的模型大部分支持FunctionCalling 除了以下模型DeepSeek R1推理模型大部分小参数开源模型7B 以下早期模型GPT-3、Llama 2 等是否支持FunctionCalling在模型 API 文档里有 tools 参数说明的就支持。FunctionCalling是 ReAct 思想最主流、最稳定的工程实现也是现代 AI Agent 的基础能力。二原理说明ReAct 思想只能用 Function Calling 实现吗不是的ReAct 是思想范式Function Calling 只是其中一种实现方式。所以在图1中的ReAct 并不是指ReAct的思想范式而是指其中原始 ReAct 论文2022里的ReAct实现的原始方式是下面的形式Thought: ... Action: ... Observation: ...完全是自然语言 自定义标记没有 JSON没有函数 schema。这就是最标准的 ReAct和 OpenAI 没有任何关系。举个例子我要实现如下目标“查北京天气然后发邮件告诉小明”ReAct原始方式Thought: 用户想知道天气还要发邮件。先查天气。 Action: get_weather(city北京) Observation: 晴25°C Thought: 拿到天气了现在发邮件。 Action: send_email(toxiaomingexample.com, body北京今天晴25°C) Observation: 发送成功 Thought: 任务完成。 Final Answer: 北京今天晴25°C已邮件通知小明。FunctionCalling// 模型一次性输出 { tool_calls: [ {function: get_weather, arguments: {city: 北京}}, {function: send_email, arguments: {to: xiaomingexample.com}} ] } // → 并行执行 → 返回结果 → 生成回复接着就有一个很关键的问题ReAct 和FunctionCalling中的函数如get_weather() 是如何被调用的对于 ReAct原始方式第 1 步模型理解用户意图靠 AI 智能用户说气候怎么样 → 模型理解这是在问天气 → 决定调用 get_weather这一步和关键词无关模型能理解语义。第 2 步框架解析模型输出靠正则提取模型输出Thought: 用户在问气候情况需要查天气 Action: get_weather Action Input: {city: 北京}框架用正则从这段文本中提取正则匹配 Action: 后面的内容 → get_weather 正则匹配 Action Input: 后面的内容 → {city: 北京}不管用户说天气、“气候”、“会不会下雨”只要模型理解了意图并按格式输出 Action: get_weather框架就能正确调用。对于 FunctionCalling第 1 步告诉模型有哪些工具通过 API 参数传递框架在调用模型 API 时把工具定义作为参数传入{ messages: [{role: user, content: 北京气候怎么样}], tools: [ { type: function, function: { name: get_weather, description: 查询城市天气, parameters: { type: object, properties: { city: {type: string} } } } } ] }第 2 步模型理解用户意图靠 AI 智能和 ReAct 一样用户说气候怎么样 → 模型理解这是在问天气 → 决定调用 get_weather第 3 步模型返回结构化 JSONAPI 协议不是纯文本{ choices: [{ message: { tool_calls: [{ function: { name: get_weather, arguments: {\city\: \北京\} } }] } }] }框架直接从 tool_calls 字段取值不需要正则解析。第 4 步框架执行工具返回结果和 ReAct 一样框架调用 get_weather(city“北京”)拿到结果后喂回模型生成最终回答。在dify等平台中封装了这些细节具体过程区别如下问题原始ReAct方法FunctionCalling工具信息怎么给模型写在 Prompt 文本里通过 API tools 参数模型怎么表达要调工具输出纯文本 Action: xxx输出结构化 tool_calls JSON框架如dify怎么解析正则从文本提取直接读 JSON 字段执行工具函数函数三实现方式FunctionCalling 和 ReAct都是让模型决定调什么工具区别在于FunctionCalling 通过 API 结构化 JSON 传递决策ReAct 通过 Prompt 引导模型输出文本再解析FunctionCalling把工具 schema 通过 API tools 参数传入工具 Schema描述工具长什么样API tools 参数把 schema 传给模型简单说• Schema 工具的说明书叫什么、需要什么参数• API tools 把说明书传给模型模型看了说明书才知道有哪些工具可以用ReAct把工具名和描述拼进 Prompt 文本里1模型输出到这里停下框架解析并执行 get_weather(“北京”)Observation: 晴25°C2框架把工具返回结果填入再把整段文本喂回模型继续Thought: 拿到北京天气了现在发邮件告诉小明。 Action: send_email Action Input: {to: xiaomingexample.com, body: 北京今天晴25°C}3模型再次停下框架执行 send_emailObservation: 邮件已发送给 xiaomingexample.com内容北京今天晴25°C4框架填入结果再喂回模型Thought: 天气查完了邮件也发了任务完成。 Final Answer: 北京今天晴25°C已通过邮件通知小明。(5)模型输出 Final Answer框架识别到结束返回最终结果给用户整个过程模型被调用了 3 次次数模型输出框架动作第1次Thought Action: get_weather执行工具填入 Observation第2次Thought Action: send_email执行工具填入 Observation第3次Thought Final Answer返回结果给用户两者的区别问题FunctionCallingReAct工具信息怎么给模型API tools 参数JSON拼在 Prompt 文本里模型看到的结构化的 schema 对象纯文字描述总结一下ReAct 是推理与行动协同的范式不绑定任何输出格式。原始ReAct 使用自然语言动作与 FunctionCalling 无关。AI Agent ReAct 思想 FunctionCalling 能力但二者并非依赖关系。FunctionCalling/原始ReAct 模型决定调什么MCP 标准化怎么调和怎么提供工具对于 Dify等智能体构建平台内置如下流程用户 → 平台Dify等→ 模型决策FunctionCalling 或 ReAct→ 平台通过 MCP 协议调用工具→ 返回结果给模型最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。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】**