ReActAgent

---

该类在类层次结构中的位置：

[Oxy](./base_oxy.md)
├── [BaseFlow](./base_flow.md)
│   └── [BaseAgent](./base_agent.md)
│       ├── [LocalAgent](./local_agent.md)
│       │   ├── [ChatAgent](./chat_agent.md)
│       │   │   └── [RAGAgent](./rag_agent.md)
│       │   ├── [ReActAgent](./react_agent.md)
│       │   │   ├── [ShellUseAgent](./shell_use_agent.md)
│       │   │   └── [SkillAgent](./skill_agent.md)
│       │   ├── [ParallelAgent](./parallel_agent.md)
│       │   ├── [WorkflowAgent](./workflow_agent.md)
│       │   └── [PlanAndSolveAgent](./plan_and_solve_agent.md)
│       └── [RemoteAgent](./remote_agent.md)
│           ├── [SSEOxyGent](./sse_oxy_agent.md)
│           └── [A2AClientAgent](./a2a_client_agent.md)
└── [BaseTool](../tools/base_tools.md)

---

简介

ReActAgent 是实现 ReAct（推理与行动）范式的 Agent。

参数

参数	类型 / 允许的值	默认值	描述
max_react_rounds	int	16	每个请求的最大推理-行动循环次数
is_discard_react_memory	bool	True	丢弃详细的 ReAct 记忆，仅保留问答对
func_map_memory_order	Callable[[int], int]	lambda x: x	将问答对的时间顺序映射为评分
memory_max_tokens	int	24800	记忆裁剪的 Token 预算
weight_short_memory	int	5	短期记忆的重要性权重
weight_react_memory	int	1	ReAct 记忆片段的重要性权重
trust_mode	bool	False	为 True 时，将工具结果直接返回给用户
func_parse_llm_response	Optional[Callable[[str], LLMResponse]]	None	自定义的原始 LLM 输出解析器
func_reflexion	Optional[Callable[[str, OxyRequest], str]]	None	对 LLM 回答进行批判并要求修正的回调函数

所有 func_* 钩子参数（包括 func_parse_llm_response、func_reflexion、func_map_memory_order）均支持同步和异步函数。

方法

方法	协程（async）	返回值	用途（简要）
__init__(**kwargs)	否	None	初始化提示词、响应解析器、反思函数，并在配置向量搜索时附加 retrieve_tools
_default_reflexion(response, oxy_request)	否	Optional[str]	基本质量检查 - 如果 LLM 回复为空则返回反馈
_get_history(oxy_request, is_get_user_master_session=False)	是	Memory	检索并智能裁剪对话历史（评分和 Token 限制）
_parse_llm_response(ori_response, oxy_request=None)	是	LLMResponse	检测 tool call、answer 或 format error 并结构化结果
_execute(oxy_request)	是	OxyResponse	实现 ReAct 循环：思考 -> 调用工具 -> 观察 -> 重复直到得到答案或达到最大轮数

继承

请参阅 LocalAgent 类以了解继承的参数和方法。

使用方式

ReActAgent 的简单用法如下：

oxy.ReActAgent(
    name="time_agent",
    desc="A tool that can query the time",
    tools=["time_tools"],
    llm_model="default_llm",
    prompt=SYSTEM_PROMPT,
    timeout=30,
    is_multimodal_supported=False,
    semaphore=2
),