案例08｜ReAct：Reasoning、Acting、Memory 如何組成 Agentic System

一、案例定位

本案例依原書第 6 章「Core Components of Agentic Systems: ReAct Design Principle」重組，並非原書正式案例研究。

理解 Agent 不只是 LLM 回答問題，而是 Reason、Act、Observe／Iterate，並利用 Memory 保持 Context。

二、學習目標

掌握 Reasoning、Acting、Memory 三項核心能力。
理解 ReAct＝Reasoning and Acting。
區分內部推理、外部工具動作與 Context 保留。

三、案例情境

原書把 Agentic System 的三項 Foundation Capability 定義為 Reasoning、Acting、Memory。ReAct 原則強調先 Reason 再 Act，Act 後得到新的 Observation，再依情況迭代；Memory 則保存 Conversation 或先前資料，協助後續推理。

四、開始資料

能力	原書角色	典型行為
Reasoning	分析問題並規劃步驟	拆解 Task、形成下一步計畫
Acting	與 External Resource 互動	Query Database、Run Calculation、Call Tool
Memory	保存 Conversation／Previous Data	讓後續 Reasoning 使用既有 Context
ReAct Loop	Reason → Act → Observe → 再 Reason	處理 Multistep、Adaptive Task

五、Excel／AI 分析方法

Excel 可將 Agent Run 拆成 Step、Reasoning Goal、Action、Tool、Observation、Memory Used；AI 可整理 Trace，但不應把不可取得的內部推理內容虛構成真實 Chain-of-Thought。

六、計算結果

原書未提供 ReAct 固定步數或迭代上限，因此本案例不自行設定。

七、結果分析與管理解讀

ReAct 讓 Agent 從一次性回答者變成能根據新資訊持續行動的系統。真正可治理的企業實作應關注可觀察的 Plan、Tool Call、Result 與 Escalation，而不是假設所有內部推理都可完整取得。

八、AI 提問詞

請把此 Agent Workflow 整理成 Reasoning Goal、Action、Tool、Observation、Memory／Context、Next Decision。只使用可觀察的 Trace，不要虛構模型未提供的內部推理。