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：

1. 查询商品原价。
2. 计算商品优惠价。
3. 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：

1. 查询商品原价。
2. 查询商品折扣价。
3. 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。