reasoning-acting

DeReAct 将 ReAct 式智能体分解为负责任务求解的 Brain 以及两个门控策略（负责动作验证的 Critic 和负责完成性认证的 Context Manager），在 GAIA 和 SWE-bench Verified 上提升了 Pass@1 成绩，尤其对 Qwen3-Coder-480B 和 Claude Sonnet 4.5 等较弱模型效果显著。

一条推荐Shunyu Yao等人论文《ReAct: Synergizing Reasoning and Acting in Language Models》的推文，该论文提出了一种简单却基础的方法，用于构建能够迭代推理和行动的AI智能体。

本文介绍了 GraphReAct，这是一个将推理与行动范式扩展到图结构数据以进行多步推理的框架。它结合了拓扑检索、语义检索以及上下文精炼，以提升在图学习基准测试上的性能。