ReActAgent 有何不同传统 LLM 擅长生成文本但一旦需要与现实世界交互——查数据库、拉取实时数据、做计算——就无能为力了。ReActAgentReason Act打破了这堵墙。它实现了一个认知循环思考 → 行动 → 观察 →重复或结束Agent思考下一步该做什么行动调用工具观察结果然后决定是继续还是交出最终答案。这不是理论。Solon AI 的ReActAgent已经在自动客服、智能数据分析、多步工作流自动化等生产场景中得到验证。1. 添加依赖首先在项目中添加solon-ai-agent模块dependency groupIdorg.noear/groupId artifactIdsolon-ai-agent/artifactId /dependency如果使用了 Solon 的父 POM版本会自动管理。否则请指定最新的 Solon 版本。2. 构建 ChatModelAgent 的大脑每个 Agent 都需要一个大脑——ChatModel负责推理。用 Builder API 快速构建import org.noear.solon.ai.chat.ChatModel; ChatModel chatModel ChatModel.of(https://api.moark.com/v1/chat/completions) .apiKey(your-api-key-here) .model(Qwen3-32B) .build();也可以通过 YAML 配置后注入solon.ai.chat: demo: apiUrl: http://127.0.0.1:11434/api/chat provider: ollama model: llama3.2Inject(${solon.ai.chat.demo}) ChatModel chatModel;3. Hello World你的第一个 ReActAgent先从一个简单的例子开始——创建一个获取时间的工具和一个基础 Agentimport org.noear.solon.ai.agent.react.ReActAgent; import org.noear.solon.ai.annotation.ToolMapping; import org.noear.solon.ai.annotation.Param; import org.noear.solon.ai.chat.tool.AbsToolProvider; import java.time.LocalDateTime; // 1. 定义工具 public class TimeTool extends AbsToolProvider { ToolMapping(description 获取当前的日期和时间) public String getCurrentTime() { return LocalDateTime.now().toString(); } } // 2. 构建并运行 Agent public class HelloAgent { public static void main(String[] args) throws Throwable { ChatModel chatModel ChatModel.of(https://api.moark.com/v1/chat/completions) .apiKey(***) .model(Qwen3-32B) .build(); ReActAgent agent ReActAgent.of(chatModel) .role(你是一个可以查询时间的助手。) .defaultToolAdd(new TimeTool()) .build(); String response agent.prompt(现在几点了) .call() .getContent(); System.out.println(response); } }运行时Agent 会思考用户想知道时间我有一个getCurrentTime工具行动调用getCurrentTime()观察拿到时间戳回答当前时间是 2026-07-04T14:30:22……4. 实战客服支持 Agent我们来构建一个更实用的场景——支持查询订单和库存的客服 Agent。第 1 步定义工具import org.noear.solon.ai.chat.tool.AbsToolProvider; import org.noear.solon.ai.annotation.ToolMapping; import org.noear.solon.ai.annotation.Param; public class OrderTool extends AbsToolProvider { ToolMapping(description 根据订单 ID 查询订单状态) public String getOrderStatus(Param(description 订单 ID) String orderId) { // 模拟数据库查询 if (ORD-1001.equals(orderId)) { return 订单 ORD-1001已发货预计 7 月 7 日送达; } else if (ORD-1002.equals(orderId)) { return 订单 ORD-1002待处理付款未确认; } return 未找到订单 orderId; } ToolMapping(description 根据商品 ID 查询库存) public String checkInventory(Param(description 商品 SKU) String sku) { if (SKU-A100.equals(sku)) { return 库存充足42 件; } else if (SKU-B200.equals(sku)) { return 库存紧张仅剩 3 件; } return 未找到商品 sku; } }第 2 步构建 AgentReActAgent supportAgent ReActAgent.of(chatModel) .name(customer_support) .role(客服支持 Agent——处理订单查询和库存检查。) .defaultToolAdd(new OrderTool()) .maxTurns(8) // 最大推理步数 .autoRethink(true) // 卡住时自动重新思考 .retryConfig(3, 1000L) // 重试 3 次间隔 1 秒 .modelOptions(options - { options.temperature(0.1); // 低温度确定性决策 }) .build(); String result supportAgent.prompt(客户 ORD-1002 想知道订单什么时候到能帮忙查一下吗) .call() .getContent(); System.out.println(result);Agent 会意识到需要查ORD-1002调用getOrderStatus(ORD-1002)读到结果待处理付款未确认向客户解释付款尚未确认所以还未发货5. 添加拦截器可观测性生产环境中你需要看到 Agent 的思考过程。ReActInterceptor提供了完整的生命周期钩子import org.noear.solon.ai.agent.react.ReActInterceptor; import org.noear.solon.ai.agent.react.ReActTrace; import org.noear.solon.ai.agent.react.task.ToolExchanger; ReActAgent observableAgent ReActAgent.of(chatModel) .name(observable_agent) .role(我帮你处理各种任务。) .defaultToolAdd(new OrderTool()) .defaultInterceptorAdd(new ReActInterceptor() { Override public void onAgentStart(ReActTrace trace) { System.out.println( Agent 启动。提示词 trace.getOriginalPrompt().getUserContent()); } Override public void onThought(ReActTrace trace, String thoughtContent, AssistantMessage assistantMessage) { System.out.println( 思考 thoughtContent); } Override public void onAction(ReActTrace trace, ToolExchanger toolExchanger) { System.out.println(️ 工具 toolExchanger.getToolName() 参数 toolExchanger.getArgs()); } Override public void onObservation(ReActTrace trace, ToolExchanger toolExchanger, ChatMessage observation, Throwable error, long durationMs) { if (error ! null) { System.err.println(❌ 工具调用失败 error.getMessage()); } else { System.out.println(✅ 工具结果返回耗时 durationMs ms); } } Override public void onAgentEnd(ReActTrace trace) { System.out.println(✅ Agent 任务完成。); } }) .build();这样你就有了 Agent 每次决策的完整审计轨迹。6. 流式响应对于长时间运行的任务使用stream()获取实时输出agent.prompt(分析我们的 Top 10 商品给我一份销售摘要。) .stream() .doOnNext(resp - { System.out.print(resp.getMessage().getContent()); }) .doOnComplete(() - { System.out.println(\n✅ 分析完成); }) .subscribe();7. 进阶单次调用选项通过.options()可以为单次调用调整行为agent.prompt(分析这个复杂数据集生成 JSON 报告。) .session(mySession) // 复用已有会话 .options(o - o .maxTurns(15) // 复杂任务给更多步数 .planningMode(true) // 启用规划阶段 .temperature(0.3) // 平衡创造性与精确性 .outputSchema({\type\:\object\,\properties\:{...}}) // 结构化输出 .toolAdd(new ReportingTool()) // 临时添加一个工具 ) .call();选项一览分类方法说明默认值控制maxTurns(int)最大推理步数8控制autoRethink(boolean)自动重新思考false控制retryConfig(int, long)重试次数与间隔3, 1000ms模型temperature(double)随机性0-20.5模型max_tokens(long)最大生成 Token—工具toolAdd(FunctionTool)临时添加工具—工具talentAdd(Talent)添加技能模块—扩展interceptorAdd(interceptor)添加拦截器—