1. 從一次“卡住”的任務說起CoT 與 ReAct 在 Agent 里到底誰管什么如果你正在做 AI 智能體Agent開發(fā)大概率遇到過這種場景給智能體一個稍微復雜的任務比如“幫我整理一份本周技術熱點并生成摘要”它要么在第一步就停下來等你繼續(xù)輸入要么反復調用同一個搜索工具把同樣的關鍵詞查了五遍最后返回一堆重復內容。這不是模型不夠聰明而是任務規(guī)劃層沒有把 CoTChain of Thought思維鏈和 ReActReasoning Acting推理與行動的分工理清楚。CoT 解決的是“想清楚”的問題。它讓模型在給出最終答案前先把推理過程展開把復雜問題拆成可管理的子問題。ReAct 解決的是“做明白”的問題。它在推理的基礎上引入行動讓智能體能夠調用外部工具、觀察返回結果、再根據(jù)結果調整下一步。兩者不是替代關系而是上下游關系CoT 負責生成推理路徑ReAct 負責把推理路徑落到工具調用鏈路里形成“思考—行動—觀察”的閉環(huán)。OpenManus 這類開源智能體框架之所以值得參考是因為它把這條鏈路拆得足夠清晰。它的 BaseAgent 定義了執(zhí)行循環(huán)ReActAgent 把 step 拆成 think 和 actToolCallAgent 再把工具調用接進來。你不需要照搬它的全部代碼但理解這個分層能幫你避開“把所有邏輯塞進一個 prompt”的坑。這篇內容會圍繞一個可跟做的 Agent 配置展開從意圖解析到執(zhí)行反饋把 CoT 與 ReAct 的分工落到可復制的 JSON 配置和一次端到端驗證上。適合已經了解大模型 API 調用、想進一步做任務型智能體的開發(fā)者。2. 前置準備用 TaoToken 統(tǒng)一模型入口與工具調用鏈路在拆解 CoT 與 ReAct 之前先把模型調用入口固定下來。智能體開發(fā)最怕的是模型接口換一個、工具調用格式變一次整個鏈路就要重寫。我試過在多個項目里來回切換模型端點最后發(fā)現(xiàn)統(tǒng)一走一個兼容 OpenAI 接口的入口最省事。TaoToken 提供的就是這樣一個入口它的 API 地址是 https://taotoken.net/api兼容常見的 chat completions 和 tools 調用格式你可以在模型對話頁面先驗證模型是否正常響應再進入編碼環(huán)節(jié)。為什么智能體場景特別需要統(tǒng)一入口因為 ReAct 模式下的每一輪 think 和 act 都會產生一次模型調用如果每次調用的端點、鑒權方式、工具描述格式不一致調試成本會成倍增加。TaoToken 的接口設計讓你可以用同一套 Base URL 和 Key 去驅動不同模型工具調用的返回結構也保持一致。這樣你在寫 ToolCallAgent 時不需要為每個模型寫適配層。具體操作上先到 API Keys 頁面生成一個 Key然后在接入文檔里確認 tools 參數(shù)的寫法。如果你用的是 Claude Code 這類編碼工具做智能體原型可以在它的配置里把 Base URL 指向 https://taotoken.net/apiModel ID 填你實際要用的模型名。對于長期跑編碼類 Agent 的場景Coding Plan 提供了更穩(wěn)定的調用額度適合把智能體掛在后臺持續(xù)執(zhí)行任務。這里要強調一點智能體的工具調用鏈路對模型返回格式很敏感。ReAct 要求模型在 think 階段輸出“我要調用哪個工具、參數(shù)是什么”在 act 階段執(zhí)行后把 observation 拼回上下文。如果模型返回的 tool_calls 結構不標準整個循環(huán)就會斷掉。TaoToken 的兼容層會把不同模型的工具調用統(tǒng)一成 OpenAI 風格的 tool_calls 數(shù)組你在解析時只需要處理一種格式。這是把 CoT 和 ReAct 串起來的前提。3. 可復制配置把 CoT 提示詞與 ReAct 工具鏈寫進 settings下面這份配置可以直接復制到你的項目里路徑建議放在config/agent_settings.json。它把 CoT 的系統(tǒng)提示詞、ReAct 的循環(huán)參數(shù)、工具定義三部分分開方便你單獨調整。注意 Model ID 和 Base URL 要和你實際使用的入口一致。{ agent: { name: cot_react_agent, max_steps: 12, duplicate_threshold: 2, system_prompt: You are an assistant focused on Chain of Thought reasoning. For each question, follow these steps: 1. Break down the problem into smaller parts. 2. Think step by step and show your reasoning. 3. Synthesize conclusions. 4. Provide a concise answer. Your response format: Thinking: [detailed reasoning] Action: [tool name and arguments] , next_step_prompt: Based on the observation, decide the next action. If the task is complete, call the terminate tool. }, llm: { base_url: https://taotoken.net/api, api_key: sk-your-key-here, model_id: gpt-4o-mini, temperature: 0.2 }, tools: [ { name: web_search, description: Search the web for current information, parameters: { type: object, properties: { query: { type: string, description: search keywords } }, required: [query] } }, { name: python_execute, description: Execute Python code in a sandbox and return stdout, parameters: { type: object, properties: { code: { type: string, description: Python code to run } }, required: [code] } }, { name: terminate, description: Terminate the interaction when the task is complete, parameters: { type: object, properties: { status: { type: string, enum: [success, failure] } }, required: [status] } } ] }這份配置里system_prompt承擔 CoT 的角色強制模型先輸出 Thinking 再輸出 Action。next_step_prompt承擔 ReAct 的循環(huán)推進每一輪 observation 回來后用它提醒模型決定下一步。max_steps和duplicate_threshold是防止無限循環(huán)的保險絲當同一條 assistant 消息重復出現(xiàn)超過閾值時觸發(fā) stuck 處理往上下文里注入“換策略”的提示。如果你用的是 Claude Code 或 Cline 這類工具做 MCP 接入配置片段要寫成它們認識的格式。以 Cline 的 MCP 配置為例Base URL、Key、Model ID 三件套要寫全{ mcpServers: { taotoken_agent: { command: npx, args: [-y, taotoken/mcp-server], env: { BASE_URL: https://taotoken.net/api, API_KEY: sk-your-key-here, MODEL_ID: gpt-4o-mini } } } }Codex 的 auth.json 則把憑證單獨存放Base URL 和 Model ID 寫在 config 里。無論哪種工具核心都是讓工具調用鏈路指向同一個入口這樣 CoT 生成的推理路徑和 ReAct 執(zhí)行的工具調用才能在同一套上下文里流轉。4. 端到端驗證一次“搜索并摘要”任務的完整執(zhí)行反饋配置寫好后用一個具體任務驗證閉環(huán)。任務描述“搜索最近三天關于 AI Agent 的技術文章提取三篇用 Python 統(tǒng)計每篇標題的詞頻最后輸出摘要?！边@個任務同時需要 CoT 拆解步驟和 ReAct 調用搜索與代碼執(zhí)行工具。啟動智能體后第一輪 think 的輸出應該類似Thinking: 任務需要三步。第一步用 web_search 找文章第二步用 python_execute 統(tǒng)計詞頻第三步匯總摘要。先執(zhí)行搜索。 Action: web_search Arguments: {query: AI Agent 技術文章 最近三天}執(zhí)行 web_search 后observation 返回搜索結果列表。第二輪 think 根據(jù) observation 決定提取哪三篇然后調用 python_execute。這里要注意CoT 的推理過程會體現(xiàn)在 Thinking 字段里而 ReAct 的行動體現(xiàn)在 Action 字段。如果模型只輸出了 Thinking 沒有 Action說明 system_prompt 里的格式約束不夠強可以在 next_step_prompt 里加一句“必須輸出 Action 字段否則任務無法推進”。第三輪 python_execute 返回詞頻統(tǒng)計結果第四輪 think 判斷任務完成調用 terminate 工具。整個循環(huán)的 step 數(shù)控制在 4 到 6 之間。如果超過 8 步還沒結束檢查 duplicate_threshold 是否觸發(fā)或者模型是否在重復調用同一個工具。實測下來把 temperature 設在 0.2 左右工具調用的穩(wěn)定性明顯好于 0.7 以上。驗證成功的標志是最終輸出里包含三篇文章標題、詞頻統(tǒng)計結果和一段摘要并且 terminate 的 status 是 success。如果中途出現(xiàn)reading choices報錯通常是模型返回的 tool_calls 結構里 choices 字段為空檢查 Base URL 是否指向了兼容層以及 tools 參數(shù)是否傳入了正確的 JSON Schema。5. 常見報錯排查401、local proxy failed 與 OAuth 問題智能體鏈路跑不通時報錯往往集中在幾個固定位置。下面按真實遇到的順序排列。401 Unauthorized 最常見。先確認 API Key 是否復制完整有沒有多余空格。然后檢查 Base URL 是否寫成了https://taotoken.net/api注意不要漏掉/api路徑。如果用的是環(huán)境變量確認變量名和代碼里讀取的一致。有些工具會把 Key 放在 header 的Authorization: Bearer里有些放在x-api-key接入文檔里有說明按文檔來。local proxy failed通常出現(xiàn)在工具調用返回階段。這不是網(wǎng)絡問題而是模型返回的 tool_calls 里 arguments 不是合法 JSON導致本地解析失敗。解決辦法是在 act 階段加一層 try-catch把原始返回打出來看。如果 arguments 里出現(xiàn)了單引號或未轉義字符可以在 system_prompt 里強調“arguments 必須是合法 JSON字符串用雙引號”。reading choices報錯說明你拿到的響應結構里沒有 choices 數(shù)組或者 choices 為空。這多半是模型端點返回了錯誤信息但被當成了正常響應。檢查 HTTP 狀態(tài)碼如果是 200 但 body 里是 error 字段說明鑒權或參數(shù)有問題。另外確認 model_id 是否拼寫正確有些模型名帶版本號少一個字符就會走到默認模型。OAuth 相關報錯一般出現(xiàn)在 Claude Code 或 Codex 這類工具的登錄環(huán)節(jié)。如果你用的是 API Key 模式不需要走 OAuth直接在配置里填 Key 即可。如果工具強制要求 OAuth 而你又想用 API Key檢查是否有auth_type之類的配置項可以切換。CC Switch 這類工具在切換配置時要確保 Base URL、Key、Model ID 三件套同時更新只改其中一個會導致鑒權失敗。還有一個容易忽略的點工具定義里的parameters如果 JSON Schema 寫錯模型可能返回空的 tool_calls。比如required數(shù)組里的字段名和properties里的不一致或者type寫成了str而不是string。每次改完工具定義先用模型對話頁面發(fā)一條簡單請求確認模型能正確識別工具。6. 把 CoT 與 ReAct 的分工固定下來后續(xù)擴展才不亂走到這里你已經有了一個能跑通“搜索—統(tǒng)計—摘要”的智能體。回頭看CoT 負責的是每一輪 think 里的推理展開它決定了任務被拆成幾步、每步的目標是什么。ReAct 負責的是 think 與 act 的交替循環(huán)它決定了工具什么時候被調用、observation 怎么拼回上下文。兩者在 OpenManus 式的分層里各司其職BaseAgent 管循環(huán)ReActAgent 管 think/act 拆分ToolCallAgent 管工具執(zhí)行。后續(xù)如果你想加新工具只需要在 tools 數(shù)組里追加定義不需要改 CoT 的提示詞。如果想換模型改 llm 配置里的 model_id 即可ReAct 的循環(huán)邏輯不受影響。這種分工帶來的好處是調試時你能快速定位問題出在推理層還是執(zhí)行層。推理層的問題表現(xiàn)為步驟拆解不合理執(zhí)行層的問題表現(xiàn)為工具調用失敗或 observation 解析錯誤。對于需要長期運行的編碼類 Agent可以把這套配置掛到 Coding Plan 的穩(wěn)定調用上避免頻繁的額度中斷。驗證模型是否支持工具調用時模型對話頁面是最快的入口。接入文檔里有完整的 tools 參數(shù)示例和錯誤碼說明遇到不確定的返回結構先對照文檔確認格式。把這套鏈路跑順之后再往里面加記憶系統(tǒng)或知識庫檢索就不會因為基礎循環(huán)不穩(wěn)而反復返工。