1. 从一次“卡住”的任务说起CoT 与 ReAct 在 Agent 里到底谁管什么如果你正在做 AI 智能体Agent开发大概率遇到过这种场景给智能体一个稍微复杂的任务比如“帮我整理一份本周技术热点并生成摘要”它要么在第一步就停下来等你继续输入要么反复调用同一个搜索工具把同样的关键词查了五遍最后返回一堆重复内容。这不是模型不够聪明而是任务规划层没有把 CoTChain of Thought思维链和 ReActReasoning Acting推理与行动的分工理清楚。CoT 解决的是“想清楚”的问题。它让模型在给出最终答案前先把推理过程展开把复杂问题拆成可管理的子问题。ReAct 解决的是“做明白”的问题。它在推理的基础上引入行动让智能体能够调用外部工具、观察返回结果、再根据结果调整下一步。两者不是替代关系而是上下游关系CoT 负责生成推理路径ReAct 负责把推理路径落到工具调用链路里形成“思考—行动—观察”的闭环。OpenManus 这类开源智能体框架之所以值得参考是因为它把这条链路拆得足够清晰。它的 BaseAgent 定义了执行循环ReActAgent 把 step 拆成 think 和 actToolCallAgent 再把工具调用接进来。你不需要照搬它的全部代码但理解这个分层能帮你避开“把所有逻辑塞进一个 prompt”的坑。这篇内容会围绕一个可跟做的 Agent 配置展开从意图解析到执行反馈把 CoT 与 ReAct 的分工落到可复制的 JSON 配置和一次端到端验证上。适合已经了解大模型 API 调用、想进一步做任务型智能体的开发者。2. 前置准备用 TaoToken 统一模型入口与工具调用链路在拆解 CoT 与 ReAct 之前先把模型调用入口固定下来。智能体开发最怕的是模型接口换一个、工具调用格式变一次整个链路就要重写。我试过在多个项目里来回切换模型端点最后发现统一走一个兼容 OpenAI 接口的入口最省事。TaoToken 提供的就是这样一个入口它的 API 地址是 https://taotoken.net/api兼容常见的 chat completions 和 tools 调用格式你可以在模型对话页面先验证模型是否正常响应再进入编码环节。为什么智能体场景特别需要统一入口因为 ReAct 模式下的每一轮 think 和 act 都会产生一次模型调用如果每次调用的端点、鉴权方式、工具描述格式不一致调试成本会成倍增加。TaoToken 的接口设计让你可以用同一套 Base URL 和 Key 去驱动不同模型工具调用的返回结构也保持一致。这样你在写 ToolCallAgent 时不需要为每个模型写适配层。具体操作上先到 API Keys 页面生成一个 Key然后在接入文档里确认 tools 参数的写法。如果你用的是 Claude Code 这类编码工具做智能体原型可以在它的配置里把 Base URL 指向 https://taotoken.net/apiModel ID 填你实际要用的模型名。对于长期跑编码类 Agent 的场景Coding Plan 提供了更稳定的调用额度适合把智能体挂在后台持续执行任务。这里要强调一点智能体的工具调用链路对模型返回格式很敏感。ReAct 要求模型在 think 阶段输出“我要调用哪个工具、参数是什么”在 act 阶段执行后把 observation 拼回上下文。如果模型返回的 tool_calls 结构不标准整个循环就会断掉。TaoToken 的兼容层会把不同模型的工具调用统一成 OpenAI 风格的 tool_calls 数组你在解析时只需要处理一种格式。这是把 CoT 和 ReAct 串起来的前提。3. 可复制配置把 CoT 提示词与 ReAct 工具链写进 settings下面这份配置可以直接复制到你的项目里路径建议放在config/agent_settings.json。它把 CoT 的系统提示词、ReAct 的循环参数、工具定义三部分分开方便你单独调整。注意 Model ID 和 Base URL 要和你实际使用的入口一致。{ agent: { name: cot_react_agent, max_steps: 12, duplicate_threshold: 2, system_prompt: You are an assistant focused on Chain of Thought reasoning. For each question, follow these steps: 1. Break down the problem into smaller parts. 2. Think step by step and show your reasoning. 3. Synthesize conclusions. 4. Provide a concise answer. Your response format: Thinking: [detailed reasoning] Action: [tool name and arguments] , next_step_prompt: Based on the observation, decide the next action. If the task is complete, call the terminate tool. }, llm: { base_url: https://taotoken.net/api, api_key: sk-your-key-here, model_id: gpt-4o-mini, temperature: 0.2 }, tools: [ { name: web_search, description: Search the web for current information, parameters: { type: object, properties: { query: { type: string, description: search keywords } }, required: [query] } }, { name: python_execute, description: Execute Python code in a sandbox and return stdout, parameters: { type: object, properties: { code: { type: string, description: Python code to run } }, required: [code] } }, { name: terminate, description: Terminate the interaction when the task is complete, parameters: { type: object, properties: { status: { type: string, enum: [success, failure] } }, required: [status] } } ] }这份配置里system_prompt承担 CoT 的角色强制模型先输出 Thinking 再输出 Action。next_step_prompt承担 ReAct 的循环推进每一轮 observation 回来后用它提醒模型决定下一步。max_steps和duplicate_threshold是防止无限循环的保险丝当同一条 assistant 消息重复出现超过阈值时触发 stuck 处理往上下文里注入“换策略”的提示。如果你用的是 Claude Code 或 Cline 这类工具做 MCP 接入配置片段要写成它们认识的格式。以 Cline 的 MCP 配置为例Base URL、Key、Model ID 三件套要写全{ mcpServers: { taotoken_agent: { command: npx, args: [-y, taotoken/mcp-server], env: { BASE_URL: https://taotoken.net/api, API_KEY: sk-your-key-here, MODEL_ID: gpt-4o-mini } } } }Codex 的 auth.json 则把凭证单独存放Base URL 和 Model ID 写在 config 里。无论哪种工具核心都是让工具调用链路指向同一个入口这样 CoT 生成的推理路径和 ReAct 执行的工具调用才能在同一套上下文里流转。4. 端到端验证一次“搜索并摘要”任务的完整执行反馈配置写好后用一个具体任务验证闭环。任务描述“搜索最近三天关于 AI Agent 的技术文章提取三篇用 Python 统计每篇标题的词频最后输出摘要。”这个任务同时需要 CoT 拆解步骤和 ReAct 调用搜索与代码执行工具。启动智能体后第一轮 think 的输出应该类似Thinking: 任务需要三步。第一步用 web_search 找文章第二步用 python_execute 统计词频第三步汇总摘要。先执行搜索。 Action: web_search Arguments: {query: AI Agent 技术文章 最近三天}执行 web_search 后observation 返回搜索结果列表。第二轮 think 根据 observation 决定提取哪三篇然后调用 python_execute。这里要注意CoT 的推理过程会体现在 Thinking 字段里而 ReAct 的行动体现在 Action 字段。如果模型只输出了 Thinking 没有 Action说明 system_prompt 里的格式约束不够强可以在 next_step_prompt 里加一句“必须输出 Action 字段否则任务无法推进”。第三轮 python_execute 返回词频统计结果第四轮 think 判断任务完成调用 terminate 工具。整个循环的 step 数控制在 4 到 6 之间。如果超过 8 步还没结束检查 duplicate_threshold 是否触发或者模型是否在重复调用同一个工具。实测下来把 temperature 设在 0.2 左右工具调用的稳定性明显好于 0.7 以上。验证成功的标志是最终输出里包含三篇文章标题、词频统计结果和一段摘要并且 terminate 的 status 是 success。如果中途出现reading choices报错通常是模型返回的 tool_calls 结构里 choices 字段为空检查 Base URL 是否指向了兼容层以及 tools 参数是否传入了正确的 JSON Schema。5. 常见报错排查401、local proxy failed 与 OAuth 问题智能体链路跑不通时报错往往集中在几个固定位置。下面按真实遇到的顺序排列。401 Unauthorized 最常见。先确认 API Key 是否复制完整有没有多余空格。然后检查 Base URL 是否写成了https://taotoken.net/api注意不要漏掉/api路径。如果用的是环境变量确认变量名和代码里读取的一致。有些工具会把 Key 放在 header 的Authorization: Bearer里有些放在x-api-key接入文档里有说明按文档来。local proxy failed通常出现在工具调用返回阶段。这不是网络问题而是模型返回的 tool_calls 里 arguments 不是合法 JSON导致本地解析失败。解决办法是在 act 阶段加一层 try-catch把原始返回打出来看。如果 arguments 里出现了单引号或未转义字符可以在 system_prompt 里强调“arguments 必须是合法 JSON字符串用双引号”。reading choices报错说明你拿到的响应结构里没有 choices 数组或者 choices 为空。这多半是模型端点返回了错误信息但被当成了正常响应。检查 HTTP 状态码如果是 200 但 body 里是 error 字段说明鉴权或参数有问题。另外确认 model_id 是否拼写正确有些模型名带版本号少一个字符就会走到默认模型。OAuth 相关报错一般出现在 Claude Code 或 Codex 这类工具的登录环节。如果你用的是 API Key 模式不需要走 OAuth直接在配置里填 Key 即可。如果工具强制要求 OAuth 而你又想用 API Key检查是否有auth_type之类的配置项可以切换。CC Switch 这类工具在切换配置时要确保 Base URL、Key、Model ID 三件套同时更新只改其中一个会导致鉴权失败。还有一个容易忽略的点工具定义里的parameters如果 JSON Schema 写错模型可能返回空的 tool_calls。比如required数组里的字段名和properties里的不一致或者type写成了str而不是string。每次改完工具定义先用模型对话页面发一条简单请求确认模型能正确识别工具。6. 把 CoT 与 ReAct 的分工固定下来后续扩展才不乱走到这里你已经有了一个能跑通“搜索—统计—摘要”的智能体。回头看CoT 负责的是每一轮 think 里的推理展开它决定了任务被拆成几步、每步的目标是什么。ReAct 负责的是 think 与 act 的交替循环它决定了工具什么时候被调用、observation 怎么拼回上下文。两者在 OpenManus 式的分层里各司其职BaseAgent 管循环ReActAgent 管 think/act 拆分ToolCallAgent 管工具执行。后续如果你想加新工具只需要在 tools 数组里追加定义不需要改 CoT 的提示词。如果想换模型改 llm 配置里的 model_id 即可ReAct 的循环逻辑不受影响。这种分工带来的好处是调试时你能快速定位问题出在推理层还是执行层。推理层的问题表现为步骤拆解不合理执行层的问题表现为工具调用失败或 observation 解析错误。对于需要长期运行的编码类 Agent可以把这套配置挂到 Coding Plan 的稳定调用上避免频繁的额度中断。验证模型是否支持工具调用时模型对话页面是最快的入口。接入文档里有完整的 tools 参数示例和错误码说明遇到不确定的返回结构先对照文档确认格式。把这套链路跑顺之后再往里面加记忆系统或知识库检索就不会因为基础循环不稳而反复返工。