AI智能体策略FunctionCalling和ReAct有什么区别？

Dify 内置了两种 Agent 策略：Function Calling 和 ReAct，但二者有什么区别呢？在使用时又该如何选择呢？接下来我们一起来看。

1.Function Calling

Function Call 会通过将用户指令映射到预定义函数或工具，LLM 先识别用户意图，再决定调用哪个函数并提取所需参数。

它的核心是调用外部函数或工具，属于一种明确的工具调用机制。

优点：

精确：对于明确的任务，可以直接调用相应的工具，无需复杂的推理过程。
易于集成外部功能可以将各种外部 API 或工具封装成函数供模型调用。
结构化输出：模型输出的是结构化的函数调用信息，方便下游节点处理。
执行效率高：对于简单、明确的任务，执行速度快。

缺点：

如果任务定义不明确或用户意图模糊，LLM 可能难以准确选择工具或提取参数。
对于需要多轮推理才能确定调用哪个工具的任务，不够灵活。

适用场景：

需要根据用户意图精确调用特定工具的自动化任务。
需要与外部 API 或服务进行交互的场景。
数据检索、信息查询并以特定格式呈现的应用

2.ReAct

ReAct=Reason+Act，推理+行动，LLM 首先思考当前状态和目标，然后选择并调用合适的工具，工具的输出结果又将引导 LLM 进行下一步的思考和行动，如此循环，直到问题解决。

举例说明

举个例子，正常情况下，当我们在计算一个商品的价格时，它的执行步骤是这样的：

查询商品原价。
计算商品优惠价。
计算商品最终价格=商品原价-优惠价。

但某个商品情况比较特殊，它在以上第二步中存储的不是优惠价，而是折扣价（例如 8 折优惠），那么此时商品的最终价格的计算公式就变成了以下方式：

查询商品原价。
查询商品折扣价。
计算商品最终价格=商品原价 X 商品折扣价。

在这种情况下就要使用 ReAct 策略了，因为 ReAct 策略会根据第二步的观测结果，分析并改变第三步的计算公式，保证任务的精准执行，这种情况下就要使用 React 策略。

核心机制：

ReAct 是一个迭代过程，LLM 在“思考（Reason）-> 行动（Act）-> 观察（Observe）”的循环中逐步推进任务。
LLM 首先分析当前状态和目标，选择并调用工具，然后根据工具的输出进行下一步的思考和行动，直到问题解决。

优点：

利用外部信息：可以有效使用外部工具来收集模型单独无法处理的任务所需的信息。
可解释性好：推理和行动步骤交织在一起，允许一定程度上跟踪 Agent 的过程。
广泛适用性：适用于需要外部知识或特定行动的任务，例如问答、信息检索和任务执行。
灵活性高：对于复杂、多步骤的任务，以及需要探索和动态调整策略的场景，具有更好的适应性。

缺点：

执行速度和成本：由于涉及多次 LLM 调用，ReAct 通常比 Function Calling 更慢，并且消耗更多的 tokens。
推理稳定性：在很大程度上取决于 LLM 的推理能力以及提示（Instruction）的质量。
输出解析复杂：ReAct 过程中 LLM 产生的“思考”文本格式可能不一致，给解析和提取关键信息带来挑战。

适用场景：

需要进行探索性研究、从多个来源收集和综合信息的任务。
问题解决方案路径不明确，需要通过迭代尝试和调整来找到答案的复杂问题。
需要较高可解释性，希望了解 Agent 决策过程的场景。

3.Function Calling VS React

Function Calling 和 React 区别如下：

Function Calling 更适合简单、明确的任务，强调直接调用工具的高效性。
ReAct 更适合复杂、多步骤的任务，强调推理过程的灵活性和可解释性。

本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、Dify、AI Agent、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。