大模型 Agent 本质是LLM + 循环推理 + 工具调用 / 环境交互，解决纯 LLM 静态推理短板：计算错误、知识过时、多步骤任务遗忘、复杂规划失效。

三类框架核心差异集中在思考、行动、规划三者的时序与解耦方式：

1. CoT：仅内部思维推理，无显式行动 / 工具
2. ReAct：思维 + 行动交替循环，边想边做
3. Plan-and-Execute：先整体规划，再分步执行，规划与执行完全分离

模型执行方式

CoT

只做内部推理，没有工具调用和环境交互

强制LLM把复杂问题拆解为连续、递进的自然语言中间推理步骤，代替直接输出

ReAct

将内部思考和外部行动耦合为一个循环单元：

Thought：根据已有信息分析当下要做什么；

Action：调用工具执行；

Observation：输出循环单元的执行结果

将observation塞回上下文进行下一次循环，直到输出结果被判断到有最终结果。

每轮循环增量迭代，通过上一轮的输出结果调整下一步的工作方向。

Plan-and-Execute

强解耦为两个阶段：

全局前置规划（Plan）：将输入的完整任务交由LLM拆解为执行计划；

执行阶段（Execute）：遍历每一个子任务，并根据子任务需求调用工具执行，子任务内部采用循环模式。

模型可以看到整体的执行规划，避免任务跑偏。

三种模式并不是严格分离的，例如：

Plan-and-Execute + ReAct（最通用）：Planner 生成全局任务清单，每个子任务内部使用 ReAct 循环调用工具；兼顾全局规划与灵活工具交互，数据分析、自动化办公 Agent 均采用该架构。

CoT 嵌入 ReAct/Plan 执行内部：在每一步工具调用前，用 CoT 思维链辅助精细逻辑推演，降低模型幻觉；例如计算步骤中先用 CoT 拆解算式，再调用计算器。

任务场景对比

纯推理

CoT只适合纯推理场景，不具备调用工具和与外部交互的能力，完成推理仅依赖已有知识，如数学逻辑推理题、文本写作类等基于已有规则的问题。

对于需要实时数据或者时效性高的场景不适用。

线性短流程工作

ReAct可以通过调用工具扩展自己在推理时的知识面，从而达到实时性的效果。适用于通用资讯问答、企业知识库问答等。

Eg：杭州未来一周的天气变化

Thought：调用工具查询杭州天气；

Action：search【date-date+7】的天气数据

Observation：返回7天内的天气数据；

Thought：分析天气变化；

Action：LLM；

Observation：返回天气变化分析；

Finish。

长流程工作

Q：查询杭州、宁波未来一周天气预报，对比两地平均气温，给出出行建议。

Plan：查询杭州一周天气——查询宁波一周天气——分析天气状态和气温——给出适合对应气温的穿衣推荐以及装备推荐；

Execute：逐步执行计划，内部 ReAct。

ReAct任务跑偏

以Plan-and-Execute示例的场景来看，如果没有plan直接执行：

第 1 轮

Thought：查询杭州未来一周的天气；

Action：search ("杭州未来一周天气")；

Observation：杭州未来 7 天 24~32℃，多晴，周三局部阵雨，紫外线强。

第 2 轮（主线任务断裂起点）

正常目标：下一步查宁波一周天气。

但模型仅基于本轮观测局部思考，被 “紫外线、阵雨” 干扰跑偏：

Thought：杭州周三有阵雨，需要查杭州 7 月降雨历史数据判断雨量大小；

Action：search ("杭州历年 7 月每周降雨量统计")；

Observation：杭州 7 月单周平均降雨 28mm，短时阵雨持续 2 小时左右。

第 3 轮（彻底偏离原始需求）

Thought：既然查到降雨均值，对比宁波往年 7 月周降雨量；

Action：search ("宁波历年 7 月每周降雨量")；

Observation：宁波 7 月单周平均降雨 42mm，近海阵雨频次更高。

第 4 轮（陷入旁支循环，完全遗忘 “未来一周气温对比” 核心目标）

Thought：两地历史降雨量差距 14mm，计算差值；

Action：Calculator (42-28)；

Observation：14。

第 5 轮（直接终止，输出完全无关答案）

Thought：现有降雨数据充足，可以结束任务；

Final Answer：杭州 7 月单周平均降雨 28mm，宁波 42mm，宁波周降雨量比杭州多 14 毫米。