> 参考对象：侦探小说中的推理过程 + 科学论文写作规范 + ReACT（Reasoning + Acting）框架
---
引子：为什么 AI 写的报告缺乏"说服力"？
传统 AI 生成报告的流程：
1. 给定主题 2. LLM 基于训练数据生成内容 3. 输出报告
问题：
- 内容可能包含"幻觉"（训练数据中的错误信息）
- 无法引用具体的事实来源
- 缺乏深度分析，只是表面总结
- 无法回答"你是怎么得出这个结论的"
---
第一部分：什么是 ReACT？
ReACT（Reasoning + Acting）是一种让 LLM 交替进行推理和行动的框架。
ReACT 的核心循环
┌─────────────────────────────────────────┐
│ ReACT 循环 │
├─────────────────────────────────────────┤
│ │
│ Thought（思考） │
│ ↓ 我需要了解 X，才能写 Y │
│ │
│ Action（行动） │
│ ↓ 调用工具获取 X 的信息 │
│ │
│ Observation（观察） │
│ ↓ 工具返回：X 的值为 ... │
│ │
│ [重复 Thought → Action → Observation] │
│ │
│ Final Answer（最终答案） │
│ ↓ 基于所有观察生成最终内容 │
│ │
└─────────────────────────────────────────┘
传统方式 vs ReACT
传统方式：
用户：写一篇关于甲醛事件的报告
LLM：[直接生成内容]
结果：可能包含不准确的信息，无法验证来源
ReACT 方式：
用户：写一篇关于甲醛事件的报告
LLM Thought：我需要先了解事件的基本事实
LLM Action：调用 insight_forge 工具搜索"甲醛事件"
Observation：返回 15 条相关事实，包括事件时间线、关键实体...
LLM Thought：我需要了解各方立场
LLM Action：调用 panorama_search 工具搜索各方反应
Observation：返回学生、校方、媒体、政府的立场分布...
LLM Thought：我需要采访仿真中的 Agent 获取第一手观点
LLM Action：调用 interview_agents 工具
Observation：返回 5 个 Agent 的采访记录...
[多次循环后...]
LLM Final Answer：[基于所有观察生成报告]
结果：每个结论都有事实支撑，可追溯来源
---
第二部分：MiroFish 的 ReACT 实现
Report Agent 架构
class ReportAgent:
"""
报告生成 Agent
采用 ReACT 模式：
1. 规划报告大纲
2. 逐章节生成
3. 每章节多次调用工具获取数据
4. 反思检查
5. 生成最终报告
"""
def __init__(
self,
llm_client: LLMClient,
zep_tools: ZepToolsService,
max_iterations: int = 15,
max_tool_calls_per_section: int = 5
):
self.llm = llm_client
self.tools = zep_tools
self.max_iterations = max_iterations
self.max_tool_calls = max_tool_calls_per_section
工作流程
┌─────────────────────────────────────────────────────────────┐
│ Report Agent 工作流程 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 1. 规划阶段 │
│ └── LLM 分析模拟需求，生成报告大纲 │
│ └── 2-5 个章节，每个章节有明确目标 │
│ ↓ │
│ 2. 逐章节生成 │
│ └── 对每个章节： │
│ └── ReACT 循环（最多 5 次工具调用） │
│ └── Thought → Action → Observation │
│ ↓ │
│ 3. 反思阶段 │
│ └── 检查内容完整性和准确性 │
│ └── 如有缺失，补充调用工具 │
│ ↓ │
│ 4. 整合阶段 │
│ └── 合并所有章节 │
│ └── 添加执行摘要 │
│ ↓ │
│ 5. 输出报告 │
│ └── 结构化 JSON 格式 │
│ └── 包含所有引用的来源 │
│ │
└─────────────────────────────────────────────────────────────┘
规划阶段：生成报告大纲
def _plan_report(
self,
simulation_requirement: str,
graph_id: str
) -> ReportPlan:
"""
规划报告大纲
输出示例：
{
"title": "甲醛超标事件舆情预测报告",
"sections": [
{
"id": "background",
"title": "事件背景",
"objective": "描述事件发生的时间、地点、主要参与者",
"required_info": ["事件时间线", "关键实体", "触发原因"]
},
{
"id": "stakeholders",
"title": "各方立场分析",
"objective": "分析学生、校方、媒体、政府的立场和诉求",
"required_info": ["各方声明", "立场分布", "利益诉求"]
},
{
"id": "prediction",
"title": "舆情演化预测",
"objective": "预测未来 72 小时的舆情走向",
"required_info": ["仿真数据", "传播路径", "情感趋势"]
}
]
}
"""
章节生成：ReACT 循环
async def _generate_section(
self,
section: SectionPlan,
context: GenerationContext
) -> SectionContent:
"""
生成单个章节（ReACT 模式）
"""
iterations = 0
tool_calls = 0
observations = []
while iterations < self.max_iterations and tool_calls < self.max_tool_calls:
# 1. Thought：思考下一步需要什么信息
thought = self._generate_thought(
section=section,
context=context,
observations=observations
)
# 2. Action：选择并调用工具
action = self._select_action(thought)
if action.type == "finish":
# 生成最终内容
break
# 3. Observation：获取工具结果
observation = await self._execute_action(action)
observations.append(observation)
tool_calls += 1
iterations += 1
# 生成最终内容
content = self._generate_final_content(
section=section,
observations=observations
)
return SectionContent(
title=section.title,
content=content,
sources=self._extract_sources(observations)
)
---
第三部分：可用工具详解
Report Agent 可以调用四种工具：
1. QuickSearch（快速搜索）
适用场景：需要快速查找某个具体信息
{
"name": "quick_search",
"description": "快速检索某个具体事实，适合简单查询",
"parameters": {
"query": "搜索关键词",
"limit": "返回结果数量（默认10）"
}
}
使用示例：
Thought：我需要知道甲醛事件发生的具体时间
Action：调用 quick_search，query="甲醛事件发生时间"
Observation：返回 "2024年3月15日，学生张三在微博上发布检测报告"
2. PanoramaSearch（广度搜索）
适用场景：需要了解事件的完整发展脉络
{
"name": "panorama_search",
"description": "广角全景搜索，获取事件全貌和时间线",
"parameters": {
"query": "搜索关键词",
"include_expired": "是否包含过期事实（默认True）"
}
}
使用示例：
Thought：我需要了解甲醛事件的完整发展过程
Action：调用 panorama_search，query="甲醛事件发展"
Observation：返回时间线：
- 3月1日：学生发现异常
- 3月5日：自行检测
- 3月15日：微博曝光
- 3月16日：校方回应
- 3月18日：媒体报道
3. InsightForge（深度洞察检索）
适用场景：需要深入分析某个话题，获取丰富素材
{
"name": "insight_forge",
"description": "最强大的深度检索，自动分解问题并多维度分析",
"parameters": {
"query": "分析问题",
"simulation_requirement": "模拟需求描述"
}
}
工作原理：
输入："分析甲醛事件中各方的立场"
LLM 自动分解为子问题：
1. "学生的立场是什么？诉求有哪些？"
2. "校方的立场是什么？采取了哪些措施？"
3. "媒体的报道角度是什么？"
4. "政府的态度如何？"
并行检索：
- 语义搜索：找到相关事实
- 实体分析：识别关键实体
- 关系链追踪：发现影响路径
整合输出：
- 各方立场总结
- 关键事实列表
- 关系网络图
4. InterviewAgents（深度采访）
适用场景：需要获取仿真中 Agent 的第一手观点
{
"name": "interview_agents",
"description": "采访仿真中的Agent，获取真实回答（非LLM模拟）",
"parameters": {
"interview_requirement": "采访需求描述",
"max_agents": "采访Agent数量（默认5）"
}
}
使用示例：
Thought：我想了解学生对校方的真实看法
Action：调用 interview_agents
interview_requirement="采访学生Agent，了解他们对校方回应的态度"
Observation：返回5个Agent的采访记录：
- Agent-1（学生）："校方在推诿责任，我们需要第三方检测"
- Agent-2（学生）："至少校方回应了，比沉默好"
- ...
---
第四部分：ReACT 循环实例
场景：生成"各方立场分析"章节
═══════════════════════════════════════════════════════════════
ReACT 循环开始
═══════════════════════════════════════════════════════════════
【迭代 1】
Thought：
我需要了解甲醛事件中涉及哪些主要实体（学生、校方、媒体、政府）。
应该先获取事件的整体信息。
Action：
调用 insight_forge
query="甲醛事件的主要参与方"
Observation：
找到以下实体：
- 学生群体（张三等）
- 中国科学技术大学校方
- 北京日报等媒体
- 教育局等政府部门
关系网络：学生→曝光→校方→回应→媒体→报道→政府→关注
【迭代 2】
Thought：
我了解了主要参与方。现在我需要深入了解每一方的具体立场和诉求。
让我搜索校方的具体回应。
Action：
调用 quick_search
query="校方回应 甲醛"
Observation：
校方声明要点：
1. 已成立专项调查组
2. 承诺整改
3. 否认早期知情
【迭代 3】
Thought：
我需要了解学生的具体诉求，以及仿真中Agent的真实想法。
让我采访一些学生Agent。
Action：
调用 interview_agents
interview_requirement="采访学生Agent，了解他们对事件的看法和对校方的态度"
Observation：
Agent-5（学生）："我们要求第三方检测，不相信校方的自查"
Agent-12（学生）："更关注健康赔偿问题"
Agent-23（学生）："希望事情不要被压下去"
【迭代 4】
Thought：
我现在有了校方声明和学生诉求。还需要了解媒体角度和政府立场。
让我用广度搜索获取更全面的信息。
Action：
调用 panorama_search
query="媒体报道 政府回应"
Observation：
媒体报道角度：
- 北京日报：关注学生健康，质疑校方监管
- 自媒体：批评校方反应迟缓
政府态度：
- 教育局：已介入调查
- 卫健委：关注公共卫生问题
【迭代 5】
Thought：
我已经收集了足够的信息来撰写这一章节：
- 主要参与方（学生、校方、媒体、政府）
- 各方具体立场和诉求
- 仿真Agent的真实观点
- 媒体和政府的角色
可以生成最终内容了。
Action：
调用 finish_section
Final Content：
【各方立场分析】
甲醛事件涉及四方主要力量：学生群体、校方、媒体和政府。
各方的立场和诉求存在明显差异...
[详细内容...]
【引用来源】
1. insight_forge 检索结果
2. 校方声明原文
3. Agent-5, Agent-12, Agent-23 采访记录
4. panorama_search 媒体报道汇总
═══════════════════════════════════════════════════════════════
ReACT 循环结束
═══════════════════════════════════════════════════════════════
---
第五部分：反思与质量检查
反思机制
生成每个章节后，Report Agent 会进行反思检查：
def _reflect_on_section(
self,
section: SectionContent,
plan: SectionPlan
) -> ReflectionResult:
"""
反思检查
检查项：
1. 内容完整性：是否覆盖了计划中的所有要点？
2. 事实准确性：是否有明确的事实来源？
3. 逻辑连贯性：论证是否清晰？
4. 深度充分性：分析是否深入？
"""
质量评分
class SectionQualityScore:
completeness: float # 完整性（0-1）
accuracy: float # 准确性（0-1）
coherence: float # 连贯性（0-1）
depth: float # 深度（0-1）
@property
def overall(self) -> float:
return (self.completeness + self.accuracy +
self.coherence + self.depth) / 4
自动修正
如果质量评分低于阈值，Report Agent 会自动补充调用工具：
if quality.completeness < 0.8:
# 内容不完整，需要补充信息
missing_points = self._identify_missing_points(section, plan)
for point in missing_points:
# 针对缺失点调用工具
observation = await self._search_for_point(point)
if quality.depth < 0.7:
# 深度不够，需要更深入的分析
observation = await self.tools.insight_forge(
query=f"深入分析 {section.title}"
)
---
第六部分：输出格式
报告结构
{
"title": "甲醛超标事件舆情预测报告",
"summary": "执行摘要（200字以内）",
"sections": [
{
"id": "background",
"title": "事件背景",
"content": "章节正文...",
"sources": [
{"tool": "insight_forge", "query": "..."},
{"tool": "quick_search", "query": "..."}
]
},
{
"id": "stakeholders",
"title": "各方立场分析",
"content": "章节正文...",
"sources": [
{"tool": "interview_agents", "agents": [5, 12, 23]},
{"tool": "panorama_search", "query": "..."}
]
}
],
"metadata": {
"graph_id": "...",
"simulation_id": "...",
"generation_time": "2024-03-20T10:30:00Z",
"total_tool_calls": 23,
"quality_score": 0.92
}
}
可追溯性
每个结论都有明确的来源：
| 结论 | 来源 |
|---|---|
| "学生主要诉求是第三方检测" | Interview: Agent-5 |
| "校方否认早期知情" | QuickSearch: 校方声明 |
| "事件在3月15日曝光" | PanoramaSearch: 时间线 |
| "媒体普遍持批评态度" | InsightForge: 媒体分析 |
尾声：ReACT 的启示
MiroFish 的 ReACT 报告生成机制给我们的启示：
1. LLM 不是知识库，是推理引擎
不要期望 LLM 记住所有事实，而是让它学会如何查找事实。
2. 写作是迭代过程，不是一次性生成
好的写作需要：
- 规划大纲
- 收集素材
- 撰写草稿
- 反思修改
- 定稿
3. 可追溯性比"听起来对"更重要
读者可以问："你是怎么得出这个结论的？" ReACT 报告可以回答："基于这些工具调用和观察结果。"
---
从"生成内容"到"生成可信内容"， 这是 AI 写作的一次重要进化。
---
*本文是 MiroFish 深度解析系列的第四篇，下一篇将是技术架构总结。*
#MiroFish #ReACT #AI写作 #报告生成 #LLM