基于 DeepSeek 从零构建 ReAct AI 智能体（文末含代码）

AI 智能体(探索 Hugging Face's Smolagents：简化Agent开发的新利器（含代码）)在处理复杂任务和多步推理问题上发挥着关键作用。其中，ReAct AI 智能体通过将逻辑推理与动态行动执行相结合，有效解决了传统 AI 系统在面对复杂问题时的困境。本文将深入探讨如何基于 DeepSeek 模型从零构建 ReAct AI 智能体，重点关注在不借助框架的情况下，如何实现记忆管理和工具运用。

一、ReAct AI 智能体概述

传统 AI 系统在处理简单任务时表现出色，它按照预定义逻辑处理输入、分析数据并产生响应。然而，在面对复杂、多步且需要持续调整和外部交互的问题时，传统方法就显得力不从心。例如，回答 “2024 年国际足联金球奖得主出生城市的天气如何” 这类问题，涉及到确定得主、找到其出生地以及查询该地天气等多个步骤，传统 AI 系统难以应对。

ReAct AI 智能体则通过引入 “思考→行动→观察” 的循环模式，有效解决了上述问题。该概念在 2022 年的论文 “ReAct: Synergizing Reasoning and Acting in Language Models” 中被提出。在这个循环中，智能体首先对输入进行分析思考，确定所需采取的行动，然后执行该行动并观察结果，再根据观察结果进一步调整思考和行动，不断迭代直至得出最终答案。这种模式使智能体能够根据实时反馈灵活调整策略，更好地适应复杂多变的任务需求。

二、DeepSeek 模型介绍

DeepSeek (深度解析 DeepSeek R1：强化学习与知识蒸馏的协同力量)在近期因提供的大语言模型（LLMs）而备受关注。它具有性能出色、价格亲民、开源以及采用创新训练方法等优点。目前，DeepSeek 平台提供了两种模型选项：DeepSeek-Chat 和 DeepSeek-Reasoner。

DeepSeek-Chat 基于 DeepSeek