DeReAct：解耦推理与执行，让AI智能体更可靠

ReAct智能体的结构性缺陷

当前主流的AI智能体大多基于ReAct范式构建。这类系统依赖单一的大语言模型策略同时承担三项职责：提出下一步动作、与环境交互、以及判断任务何时完成。看似高效的设计背后隐藏着一个结构性问题——所有职责耦合在一个策略里，导致动作授权和完成控制难以独立执行。

这种耦合带来两个典型风险。一是错误会在推理链条中不断传播，前一步的误判会污染后续所有决策；二是模型可能基于缺乏依据的"完成声明"提前终止任务执行，也就是说智能体以为自己做完了，实际上并没有真正解决问题。对于需要高可靠性的任务场景，这种不受约束的自我判断是致命的。

ReAct（Reasoning + Acting）是由Google Research于2022年提出的智能体范式，核心思想是让大语言模型在执行任务时交替生成"思考"（Thought）和"行动"（Action）步骤，并将环境返回的观察结果（Observation）纳入后续推理。这种"思考-行动-观察"的循环赋予了模型一定的规划与自我修正能力，是目前AutoGPT、LangChain Agent、OpenAI Function Calling等主流框架的底层逻辑基础。然而ReAct的设计初衷更多指向"让模型能做到"，而非"确保模型做得可靠"。在单一模型同时扮演规划者、执行者和验收者的架构下，模型的自信程度与实际任务完成质量之间缺乏独立的校验机制，这在工具调用出错、上下文窗口过长或任务链条复杂时会迅速暴露出来。

DeReAct的模块化破局思路

针对上述痛点，这项研究提出了DeReAct——一种模块化的智能体架构，核心思想是把两个关键的"把关策略"从主模型中外部化出来，形成独立的控制组件。

第一个组件是Critic（评审者）。它的职责是在动作真正执行之前对其进行验证，相当于给智能体加了一道动作授权的闸门。只有通过评审的动作才被允许作用于环境，从而阻断错误动作的扩散。

第二个组件是Context Manager（上下文管理器）。它负责重建一个由环境支撑的State（状态），并对任务完成情况进行认证。换句话说，任务是否真正完成不再由主模型自说自话，而是交由一个有环境证据支撑的独立模块来裁定。这直接解决了"无依据完成声明"的问题。

这种设计的本质是职责解耦：把"做决策"和"审决策"分开，把"干活"和"验收"分开。推理（Reasoning）与执行（Acting）被拆解到不同的策略中，这也正是DeReAct（Decomposed ReAct）名称的由来。

实验结果：弱模型获益最大

研究团队在GAIA和SWE-bench Verified两个基准上评估了DeReAct，结果呈现出一个清晰且耐人寻味的规律：外部把关对能力较弱的主模型（Brain Model）提升最明显，而随着主模型能力增强，收益逐渐递减。

具体数据上：

• 对于Qwen3-Coder-480B，Pass@1提升达到6.5至7.0个百分点；
• 对于Claude Sonnet 4.5，提升为4.2至5.2个百分点；
• 对于更强的Claude Opus 4.5，Pass@1与原始ReAct基本持平。

这个趋势背后的逻辑并不难理解。轨迹分析和消融实验显示，外部把关之所以有效，需要满足两个前提条件：一是目标类型的失败在原始轨迹中足够普遍（即确实有错可纠），二是把关策略本身足够强（即纠错者得比被纠者更靠谱）。弱模型犯的错多，Critic和Context Manager能拦住的错也就多；而强模型本身失误少，外部把关的边际价值自然下降。

GAIA（General AI Assistants）是一个专为评估通用AI智能体设计的基准，任务要求智能体综合运用网页搜索、文件处理、代码执行等多种工具来回答现实世界中的问题，以Pass@1（一次尝试直接成功的比例）为核心指标。SWE-bench Verified则聚焦于软件工程场景，要求智能体基于真实GitHub Issue自动生成并验证代码补丁，是衡量代码智能体能力的权威基准之一，"Verified"子集经过人工筛选，确保每个问题都有明确可验证的答案。两个基准覆盖了通用任务理解与专项代码推理两个维度，共同构成对智能体可靠性的全面压力测试。

完成控制：用提前终止换取更强落地

在Claude Opus 4.5这类强模型上，DeReAct虽然没有拉高Pass@1分数，但它带来了另一层价值——轨迹质量的改善。

实验表明，启用DeReAct后，智能体产生的轨迹更加"证据完整"（evidence-complete）且更符合约束条件（constraint-satisfying）。这意味着完成控制机制实际上是在做一笔权衡：牺牲一部分"更早终止"的效率，换取"更强的落地与接地"（grounding）。对于那些对结果可信度要求高于速度的任务，这种权衡显然是划算的。

换个角度看，这揭示了一个重要观点：对于强模型，可靠性的瓶颈可能不再是"能不能做对"，而是"做对的过程是否可追溯、可验证"。DeReAct恰好在这个维度上提供了保障。

Grounding（接地/落地）在AI语境中指模型的输出与真实世界状态、外部证据之间的对应关系。一个"well-grounded"的结论意味着它有可追溯的证据链支撑，而非仅凭模型内部的参数记忆生成。在智能体系统中，grounding尤为关键——智能体声称"任务完成"时，这个声明究竟是基于真实的环境反馈，还是模型基于训练分布的惯性猜测，往往难以区分。DeReAct的Context Manager通过强制要求完成声明必须由环境状态证据背书，实质上是在为智能体的每一个"收工"决定建立可审计的证据链，这对金融、医疗、代码部署等高风险场景中的合规要求尤为重要。

对智能体工程的启示

DeReAct整体上实现了一个理想的性质：它在提升弱智能体表现的同时，即便模型能力增强也能保留接地（grounding）方面的收益。换句话说，这是一个"下有保底、上不拖累"的架构选择。

从工程实践的角度，这项研究给出了几点值得借鉴的方向。模块化的把关机制可以作为通用的可靠性增强层，叠加在现有ReAct智能体之上，而不需要重训主模型。同时，是否引入外部把关应当视主模型能力和任务失败模式而定——盲目给强模型加把关可能收效甚微，但针对易错环节的定向把关则性价比很高。

随着AI智能体从演示走向生产环境，"可靠性"正在取代"能力"成为新的核心议题。DeReAct这类将控制逻辑外部化、显式化的架构，代表了智能体设计从单体式向模块化演进的一个方向。