③Agent 简史，从 ReAct 到 Claude Code

开场：我也给 AutoGPT 交过学费

2023 年 4 月，朋友圈突然被一个叫 AutoGPT 的项目刷屏。演示视频里，有人给它一个目标："帮我调研一下市场，然后做一个网站。"它就自己开始搜索、写文件、执行命令，一步接一步，看得人热血沸腾。

我当晚就装上了，给它的目标很朴素："写一个命令行的 todo 小工具。"

接下来的二十分钟，我眼看着它：

• 搜了一遍"how to build a todo app"；
• 把搜索结果总结成一段话，存进了"长期记忆"；
• 又搜了一遍"best practices for todo app"；
• 觉得需要先调研一下竞品，又搜了几遍；
• 写了一个 plan.txt；
• 读了一遍 plan.txt，觉得计划需要完善，又搜了一遍……

二十分钟后，一行代码都没写出来，API 账单上多了几美元。我关掉终端，心想：这东西也就这样了。

两年后，我每天都在用编码 Agent 改代码、修 bug、写测试。回头看，今天的 Agent 和当年的 AutoGPT，核心几乎是同一个循环，就是上一篇那二十行代码。那中间到底发生了什么？

这一篇我们讲点历史。不是为了怀旧，而是因为每一次"Agent 突然能用了"，背后都是循环里的某个零件被换掉了。读完本篇，你应该能回答这几个问题：

• 2022 年的 ReAct 到底提出了什么？为什么今天的 Agent 还在用它的思路？
• Toolformer 和 function calling 分别解决了什么问题？
• AutoGPT 为什么火得那么快、凉得也那么快？
• MCP 是在什么背景下出现的？
• 为什么偏偏是 2025 年，编码 Agent 全面爆发？

一、先看全景：一条时间线

这条线上有四个关键转折：ReAct 定下了循环的形状，function calling 把"约定"变成了"协议"，MCP 统一了工具的接口，而 2025 年，模型终于强到能把这个循环转起来。 下面一个一个说。

二、2022：ReAct，让模型边想边做

2.1 在 ReAct 之前：要么只想，要么只做

2022 年初，有一篇很有名的论文叫"思维链"（Chain-of-Thought）：在 prompt 里给几个"一步一步推理"的示例，模型就会先写推理过程、再给答案，复杂题的正确率明显提高。第 07 篇会讲为什么"先想再答"有用。

但思维链有个硬伤：它只能在脑子里想。 模型不知道的事实，想得再认真也想不出来，反而会一本正经地编。问它"埃菲尔铁塔比自由女神像高多少"，它可能会把两个都记错的数字认真地相减。

另一条路是让模型"只做"：给它搜索之类的工具，让它直接输出动作。可是没有中间的思考，它不知道为什么要做这一步，也不知道做完之后离目标还有多远。

2.2 ReAct：Thought、Action、Observation 交替进行

2022 年 10 月，Yao 等人发表了 ReAct 论文，名字取自 Reasoning + Acting。思路简单得惊人：让模型交替地"想一步、做一步、看一眼结果"，全部用纯文本写出来：

Question: 埃菲尔铁塔比自由女神像高多少米？
Thought 1: 我需要先查埃菲尔铁塔的高度。
Action 1: Search[埃菲尔铁塔]
Observation 1: 埃菲尔铁塔位于巴黎，建成于 1889 年，含天线总高约 330 米。
Thought 2: 埃菲尔铁塔约 330 米。接下来查自由女神像的高度。
Action 2: Search[自由女神]
Observation 2: 没有找到相关词条。
Thought 3: 关键词不对，换成全称再查一次。
Action 3: Search[自由女神像]
Observation 3: 自由女神像位于纽约，1886 年落成，从地面到火炬顶端约 93 米。
Thought 4: 两个高度都有了，算一下差值。
Action 4: Calculate[330-93]
Observation 4: 237
Thought 5: 埃菲尔铁塔比自由女神像高约 237 米。
Action 5: Finish[约 237 米]

这段 trace 是我仿照论文风格写的，放在配套仓库的 examples/ch03-react/sample-trace.txt。注意第 2、3 步：第一次搜索失败了，模型在 Thought 3 里意识到关键词不对，换了个词再搜。这就是"想"和"做"交替的威力：

• Thought 让行动有方向：每一步做之前先说清楚为什么做，做完之后还记得下一步要什么；
• Observation 让思考接地气：事实不靠记忆，靠查；查错了，结果会告诉它。

眼熟吗？这就是上一篇的那个循环。ReAct 第一次把"模型想 → 程序做 → 结果喂回去"这个形状写进了论文，今天所有 Agent 都还在用它。

2.3 那个年代怎么"调用工具"：正则表达式

关键问题来了：2022 年的 API 里没有 tool_use 这种结构化输出，模型只会吐文字。程序怎么知道它想调用什么？

答案朴素得让人心疼：在 prompt 里约定格式，然后用正则表达式去抠。 配套仓库用 Go 复刻了一个 2022 年风格的 ReAct Agent，examples/ch03-react/main.go 里的 prompt 是这样写的：

可用的 Action 只有三种：
- Search[关键词]：在一个小百科里查找词条，返回词条内容
- Calculate[算式]：计算一个只含数字和 + - * / ( ) 的算式
- Finish[答案]：给出最终答案并结束

严格按下面的格式输出，每次只输出一组 Thought 和 Action，然后停下来等待 Observation：
Thought: 你的思考
Action: Search[...] 或 Calculate[...] 或 Finish[...]

程序这边，用一个正则把 Action 抠出来：

var actionRe = regexp.MustCompile(`Action:\s*(Search|Calculate|Finish)\[(.*)\]`)

还有一个特别关键的小技巧：

resp, err := m.Create(ctx, &llm.Request{
    MaxTokens:     2048,
    Messages:      []llm.Message{llm.UserText(transcript)},
    StopSequences: []string{"Observation:"},
})

StopSequences 的意思是：模型一写出 Observation: 就立刻停下。 为什么要这样？因为模型是个文字接龙高手，它看过无数这种格式的文本，写完 Action 之后会顺手把 Observation 也"编"出来。观察结果必须由程序来填，不能让模型自己编，否则整个"接地气"的设计就白费了。

2.4 脆，太脆了

这套做法能跑，但你能想象它有多脆：

• 模型多写了一句客套话，正则匹配不上；
• 模型把方括号写成了中文的【】，匹配不上；
• 模型一次输出了两组 Action，你只抠到第一个；
• 参数里有方括号，(.*) 贪婪匹配把后面的内容一起吞了。

配套代码里专门有一段处理"格式不对"的情况：

match := actionRe.FindStringSubmatch(out)
if match == nil {
    // 2023 年最常见的翻车现场：模型没按格式来。
    fmt.Println("！！格式解析失败，提醒模型重新按格式输出")
    transcript += out + "\nObservation: 你的输出不符合格式，请严格输出 Thought: ... 和 Action: ...\n"
    continue
}

每转一圈都可能有一次"格式解析失败"，一个任务转二十圈，总有一圈会翻车。格式全靠模型自觉，这是那个年代所有 Agent 的阿喀琉斯之踵。

三、2023 年初：Toolformer，工具可以"训练"进模型

ReAct 是靠 prompt 教模型用工具的。2023 年 2 月，Meta 的 Toolformer 换了个思路：能不能让模型在训练时就学会用工具？

它的做法大致是：让模型在大量文本里尝试插入 API 调用（计算器、问答、搜索、翻译、日历），比如在"今年是 [Calendar()→2023] 年"这样的位置；然后只保留那些确实让后文更好预测的调用，用这些数据微调模型。模型就这样学会了"什么时候该调一下计算器"。

Toolformer 本身没有变成大家天天用的产品，但它传递了一个重要信号：工具使用可以是模型的内置能力，而不只是 prompt 里的约定。 几个月后，各家大模型厂商就在 API 层面把这件事做成了标配。

四、2023 年春：AutoGPT 的狂热与幻灭

4.1 为什么火

2023 年 3 月，GPT-4 发布，大家第一次觉得"这模型好像真的能推理"。几乎同时，AutoGPT、BabyAGI 这类项目登场，在 GitHub 上以惊人的速度涨星。

它们卖的是一个梦：给 AI 一个目标，它自己拆任务、自己执行、自己反思，直到完成。 配套的概念一个比一个响亮：长期记忆（用向量数据库存经验）、自我反思、任务队列、多 Agent 协作……那段时间，好像每个周末都有一个新的"全自动 AI 员工"项目。

4.2 为什么凉

然后，大家发现它们基本干不成事。上一篇从零件的角度分析过原因（模型能力、上下文长度、工具协议），这里补两个当年亲身体会到的：

1. 成本失控：每一圈都要把越来越长的历史发一遍，而 GPT-4 当时很贵。一个任务转几十圈，跑一次就是几美元，还经常跑不出结果；
2. 死循环和原地打转：就像我开头那个 todo 工具，它不停地"调研"，因为调研永远可以更充分。没有一个外部信号告诉它"够了，该写代码了"。

更深层的原因，是这些任务没法验证。"调研市场""写商业计划"做得好不好，没有编译器，没有测试，Agent 自己评价自己，当然永远觉得"还可以更好"。

第 39 篇会算一笔账：哪怕每一步有 95% 的成功率，连续 20 步全对的概率也只剩三分之一左右。2023 年的模型，单步成功率远没有 95%。

4.3 留下了什么

AutoGPT 没做成，但它让一整代开发者第一次亲手跑了 Agent 循环，也让大家看清了瓶颈在哪里。之后几年的进展，几乎就是在逐条修复那些瓶颈。另外它也留下了一个教训："长期记忆""自我反思"这些听起来很高级的模块，解决不了模型能力和任务验证的问题。 第 17 篇讲项目记忆时，我们会看到今天的编码 Agent 选了一条朴素得多的路：一个 Markdown 文件。

五、2023 年 6 月：function calling 把"约定"变成"协议"

5.1 一个 API 字段，终结了正则

2023 年 6 月，OpenAI 在 API 里推出了 function calling：你在请求里用 JSON Schema 描述有哪些函数可调用，模型如果想调用，就不再输出一段自由文本，而是输出一个结构化的调用请求，包括函数名和符合 schema 的 JSON 参数。随后各家厂商陆续跟进，形式略有不同，思路完全一样。

对比一下两个时代：

模型那边也变了：它们被专门训练过如何输出这种结构化调用。格式这件事，从"靠模型自觉"变成了"由协议保证"。

5.2 ReAct 并没有过时

有意思的是，function calling 之后，ReAct 的三件套并没有消失，只是换了一身衣服：

形式从文本变成了结构，思想一点没变。 第 19 篇会把这套协议拆到每一个字段。

六、2024：零件一个个到位

2024 年没有某个单一的"爆点"，但 Agent 需要的零件在这一年基本凑齐了：

• 上下文变长了：从几千、几万 token，变成了几十万甚至上百万。读几十个文件不再是问题；
• 模型开始专门为多步工具使用而训练：不只是"能调工具"，而是"能连着调几十次还不忘目标"；
• 有了衡量标准：像 SWE-bench 这样的评测集（用真实开源项目里的 issue 让 Agent 去修，用项目自己的测试判分），让"Agent 写代码到底行不行"有了可以比较的数字。各家的分数在这两年里一路往上涨；
• 大家开始认真做 harness：工具怎么设计、上下文怎么管理、权限怎么控制，从"随便写写"变成了一门手艺。

这一年还有很多"会自己干活的 AI 程序员"的演示，有的惊艳，有的被质疑演示效果和实际使用差距太大。但方向已经很明确了：编码是 Agent 最先能落地的场景，原因第 05 篇细讲。

七、2024 年 11 月：MCP，工具界的 USB-C

工具调用有了统一的思路，但每个 Agent 产品对接每个工具，还是要各写一套适配代码。想让你的 Agent 能查 GitHub、读 Notion、连数据库？每个都得单独写。N 个 Agent 对接 M 个工具，就是 N×M 套适配。

2024 年 11 月，Anthropic 开源了 MCP（Model Context Protocol）：一个让"工具提供方"和"Agent"之间说同一种话的协议。工具方写一个 MCP server，任何支持 MCP 的 Agent 都能直接接上。

后来，其他厂商和工具也陆续支持了 MCP，它逐渐成了事实上的标准。第 21 到 23 篇会专门讲 MCP，还会用 Go 手写一个 MCP server。

八、2025：编码 Agent 全面爆发

到了 2025 年，所有零件都齐了：

• 2 月，Anthropic 发布了 Claude Code 的研究预览，一个跑在终端里的编码 Agent，5 月正式发布；
• 4 月，OpenAI 发布了开源的 Codex CLI，Codex 这个名字以 Agent 产品的身份复活（第 01 篇讲过它的身世）；
• 各家 IDE 也纷纷加上 Agent 模式，可以在编辑器里让它自己读代码、改文件、跑命令。

这一次，大家不再只是看演示视频。很多开发者开始每天用它们干活：修 bug、写测试、做重构、读陌生的代码库。

回到开头的问题：今天的 Agent 和 AutoGPT 用的是同一个循环，为什么这次成了？ 把这篇讲的串起来就是：

没有一个魔法时刻，是循环里的每个零件都被换成了更好的。 这也是第五部分的思路：我们会从最朴素的循环开始，一个零件一个零件地往上加，亲眼看着它从"能跑"变成"能用"。

九、动手：回到 2022 年

实验 1：数一数 ReAct trace（不调用模型）

大纲里的动手作业是"读 ReAct 论文里的示例 trace，数一数 Thought、Action、Observation 各出现了几轮"。配套仓库写了个小工具帮你数：

go run ./examples/ch03-react count examples/ch03-react/sample-trace.txt

输出：

Thought      5
Action       5
Observation  4

想一想：为什么 Observation 比 Action 少一个？ 因为最后一个 Action 是 Finish，它不调用任何工具，也就没有观察结果，循环在这里结束。这和上一篇里"最后一轮 stop_reason 是 end_turn"是一回事。

你也可以把 ReAct 论文附录里的真实 trace 复制到一个文本文件里来数。论文里的写法是 Thought 1:、Act 1:、Obs 1:，这个小工具都认得。这个实验也能在 Playground 的第 03 篇里直接跑。

实验 2：跑一个 2022 年风格的 Agent

go run ./examples/ch03-react run "埃菲尔铁塔比自由女神像高多少米？"

不设 Key 的时候，用的是仓库内置的离线演示模型。它认得 ReAct 格式，套路很固定：先把整个问题拿去 Search，拿到观察结果就直接 Finish。输出是这样的：

Thought: 我不知道答案，先查一下资料。
Action: Search[埃菲尔铁塔比自由女神像高多少米？]
Observation: 埃菲尔铁塔位于巴黎，建成于 1889 年，含天线总高约 330 米。
Thought: 资料查到了，直接据此作答。
Action: Finish[埃菲尔铁塔位于巴黎，建成于 1889 年，含天线总高约 330 米。]

最终答案：埃菲尔铁塔位于巴黎，建成于 1889 年，含天线总高约 330 米。（共 2 轮）

答非所问，对吧？演示模型不会推理，它只是演示了格式：程序怎么用 stop sequence 截住、怎么用正则抠出 Action、怎么把 Observation 拼回 transcript。

想看真正的 ReAct，要接真实模型，在线 Playground 演示不了：先 export DEEPSEEK_API_KEY=sk-... 再跑同一条命令。

接上 DeepSeek 之后，你多半会看到它像 sample-trace 那样，分别查两座建筑的高度，再调用 Calculate 算差值。多跑几次，换几个问题（比如"东方明珠比埃菲尔铁塔高多少米？"），留意有没有出现"格式解析失败"。

实验 3：亲手把格式弄坏

打开 examples/ch03-react/main.go，试着做这些修改，每改一处，用真实模型跑一次：

1. 删掉 StopSequences：观察模型会不会自己编 Observation。它编出来的数字，可能和小百科里的不一样；
2. 把 prompt 里"严格按下面的格式输出"那一段删掉：看格式解析失败的次数会不会变多；
3. 把正则改严一点，比如要求 Action: 后面只能有一个空格：体会一下"正则写宽了吞内容，写窄了匹配不上"的两难。

做完这三个实验，你会真正理解第 19 篇那句话：function calling 把"约定"变成了"协议"。

实验 4：对比一下今天的写法

回头看第 01 篇的 agent 子命令，两个程序干的是同一类事情：

go run ./examples/ch01-three-layers agent

在 examples/ch01-three-layers/main.go 里，工具是用 JSON Schema 定义的，模型的调用意图从 resp.ToolUses() 里直接拿，没有一行正则。对比着读两份代码，大概十分钟，这是理解这几年进步最直观的方式。

十、踩坑记录：复刻 ReAct 时翻的车

坑 1：没设 stop sequence，模型自己编了观察结果。
我第一版忘了加 StopSequences，模型一口气写完了 Thought、Action、Observation、再一轮 Thought……整段推理一气呵成，看起来特别聪明，可惜里面的"观察结果"全是它编的。凡是应该由外部世界提供的信息，都不能让模型自己写。 这条原则放到今天的 Agent 里同样成立。

坑 2：正则写得太宽，吞掉了后面的内容。
\[(.*)\] 是贪婪匹配，如果模型在同一行后面又写了一个方括号，参数就会把中间的东西全吞进去。改成非贪婪的 (.*?) 又会在参数本身含方括号时截断。正则解析自然语言，本来就没有完美解。

坑 3：把整段 transcript 塞进一条 user 消息。
2022 年的 API 很多是"补全"接口，只有一段文本。配套代码为了还原当年的感觉，也是把整个 transcript 拼成一条消息发出去。这样做的问题是：模型分不清哪些是它自己说的，哪些是程序填的。 今天的 API 用 assistant / user / tool 几种角色把它们分开，模型看得清清楚楚。

坑 4：让工具直接执行模型给的代码。
Calculate 工具最省事的写法，是把模型给的算式丢给某个 eval 去算。千万别这么干。配套代码里的 calc.go 专门手写了一个只认数字和加减乘除的解析器，开头的注释写得很直白："Agent 的工具永远不该直接执行模型给的代码。"今天的 Agent 能跑命令，所以第 27 篇会花一整篇讲权限。

坑 5：以为"历史"没用。
很多人觉得 ReAct、AutoGPT 都是老黄历了，没必要了解。但你会发现，今天 Agent 产品里遇到的问题，比如死循环、原地打转、模型编造工具结果、上下文爆掉，当年全都遇到过。知道它们是怎么被解决的，你才知道哪些问题已经被解决了，哪些还没有。

一句话总结

ReAct 定下了"想—做—看"的循环，function calling 把格式从约定变成协议，MCP 统一了工具的接口；这个循环 2022 年就有了，2025 年它之所以真的能用，是因为循环里的每个零件都被换成了更好的。