ReAct

1. 3 秒看懂

ReAct（Reason + Act）是一套提示架構，引導大語言模型在回答複雜問題時，反覆交替執行“推論（Thought）→行動（Action）→觀察（Observation）”迴圈。模型像人類專家一樣：先想一步、再調用搜索、計算器等外部工具，根據工具返回的真實資訊繼續思考，最終給出有據可查、可追溯的答案。它不改變模型權重，完全依靠上下文學習，是當前 AI Agent 的核心控制邏輯。

2. 3 分鐘產業解釋

傳統大型模型僅依賴靜態訓練資料生成答案，容易產生“幻覺”或使用過時知識。ReAct 把模型的內部推論過程和工具呼叫記錄為一條完整的、可公開查閱的思維鏈。這樣，模型就能主動查詢即時搜尋引擎、呼叫計算器、檢索企業資料庫或程式碼直譯器，將內部推論與外部真實資訊持續對齊。
在 ChatGPT 外掛、LangChain Agent、AutoGPT、MetaGPT 等現象級產品背後，ReAct 或其變體是讓模型“動手又動腦”的關鍵機制。它不僅將複雜問答、事實核查、多步決策等任務的成功率顯著推高，還讓模型行為變得透明、可除錯、可審計——每一步的思考與動作都被記錄下來，為企業級合規與風控提供了基礎。
隨著 OpenAI、Anthropic、Google 等先後推出原生 function calling / tool use 能力，以及微軟、AWS 將智慧代理能力融入辦公與雲端平台，ReAct 範式已從學術論文快速演進為產業標準件。

3. 技術原理

核心迴圈機制

ReAct 系統維持一個動態擴充套件的上下文視窗，累積所有歷史 Thought / Action / Observation 三元組。每一輪，大語言模型都基於當前上下文預測下一段內容，直至輸出完成訊號。典型迴圈可用如下虛擬碼表示：

while True:
    llm_output = llm.generate(context)
    parse thought, action, action_input from llm_output
    context.append(f"Thought: {thought}")
    context.append(f"Action: {action}[{action_input}]")
    if action == "Finish":
        return action_input   # 最終答案
    else:
        observation = environment.step(action, action_input)
        context.append(f"Observation: {observation}")

動作空間通常限定為可解析的有限集合，例如：

• Search[query]：調用搜索引擎並返回摘要
• Lookup[keyword]：在已檢索文件中定位具體段落
• Math[expression]：執行數值計算
• SQL[query]：查詢資料庫
• Finish[answer]：結束任務並輸出最終答案

實際實現中，Thought 和 Action 往往在同一次模型生成中產出，由特定分隔符或解析器自動拆分，保證程式可穩定提取。

協同機制：推論輔助行動，行動反哺推論

• 推論輔助行動：模型在準備執行“搜尋”時，先在思考中明確“需要查什麼關鍵詞”，從而提升工具呼叫的精準度。
• 行動反哺推論：從外部環境（搜尋引擎、知識庫、程式碼直譯器等）返回的觀察結果，可糾正模型內部知識的謬誤或填補資訊空白，使後續推論建立在事實基礎上，有效抑制幻覺。

以下為資訊‑行動‑推論的耦合示意：

        ┌──────────────┐
        │  User Query  │
        └──────┬───────┘
               v
┌─────────────────────────────────┐
│  Thought: "需要查當前匯率"     │
│  Action:  Search[USD CNY]      │
└──────────────┬──────────────────┘
               v
┌─────────────────────────────────┐
│  Observation: "1 USD ≈ 7.2 CNY"│
└──────────────┬──────────────────┘
               v
┌─────────────────────────────────┐
│  Thought: "現在計算 100 USD"    │
│  Action:  Math[100 * 7.2]       │
└──────────────┬──────────────────┘
               v
       ┌──────────────┐
       │ Observation: │
       │   720        │
       └──────┬───────┘
              v
┌─────────────────────────────────┐
│ Thought: "答案是720 CNY"       │
│ Action:  Finish[720 CNY]        │
└─────────────────────────────────┘

與底層模型的關係

ReAct 完全依賴提示工程激發 LLM 的上下文學習（in-context learning）能力，不修改模型權重。因此，其表現上限受制於基礎模型的推論能力與指令跟隨能力。程式碼預訓練較強或經過高質量指令微調的模型（如 GPT‑4o、Claude 3.5 Sonnet、Gemini 1.5 Pro 等）能更穩定地執行 ReAct 提示。同時，支援更長上下文的模型可容納更豐富的工具返回內容與多輪歷史，進一步增強複雜任務的處理能力。

4. 關鍵引數

ReAct 系統的行為穩定性與任務成功率高度依賴以下引數設計，工程落地時需要細緻調優：

• 最大推論步數（Max Steps）：通常設為 5~15 步。步數過低可能無法完成複雜多步任務，過高則增加延遲與 API 費用，且易陷入迴圈。
• Few‑shot 示例數量與組成：提示詞中提供 6~10 個精心設計的示例，覆蓋不同工具組合、異常處理（如搜尋無結果時切換關鍵詞、調整策略）。示例質量直接影響模型對格式和策略的學習。
• 觀察截斷長度：搜尋引擎或資料庫返回的文本可能極長，需按字數（如 500~2000 字元）截斷或使用重排序保留最相關片段，避免擠佔上下文視窗，同時保證資訊完整度。
• 動作/思考解析格式：必須定義嚴格且魯棒的解析器（例如基於正規表示式或特定 JSON schema），確保 Thought: 和 Action: 欄位可被程式可靠捕獲，否則迴圈將中斷。
• 工具超時與重試機制：外部 API 可能出現超時或錯誤，需設定合理的超時（如 515 秒）與重試次數（通常 13 次），並讓模型根據異常觀察調整動作。
• 模型溫度與取樣策略：較低的 temperature（如 0~0.3）有助於生成更確定、符合格式的思考與動作；過高的隨機性可能導致解析失敗或邏輯漂移。
• 上下文視窗管理：隨著迴圈進行，歷史對話快速累積，需預留足夠空間給最新工具返回結果，必要時可裁剪較早的觀察但保留 Thought 摘要。

這些引數共同決定了 ReAct 系統的可信度、響應延遲和運營成本，是產業化的核心最佳化空間。

5. 技術路線

主要方案對比

方法	是否生成推論	是否呼叫外部工具	決策機制	透明度	典型表現	主要侷限
Chain‑of‑Thought (CoT)	是（純推論）	否	僅生成文本	高	無外部知識時瓶頸明顯	容易產生幻覺或依賴過時資訊
Self‑Ask	是（子問題）	否（可搭配搜尋）	分步自問自答	高	結構清晰，但缺乏即時事實源	無法主動獲取新資訊
Toolformer (微調)	否（隱式）	是（通過特殊令牌）	端到端決定	低	呼叫高效，但時機與方式不透明	失去可解釋推論鏈
ReAct (提示)	是（顯式思維鏈）	是（顯式動作）	思維引導動作，觀察反饋思維	高	在事實核查、多步搜尋任務中達SOTA級表現；可追溯	對底層LLM指令跟隨和推論能力要求高；多步延遲較高
Reflexion / Self‑Refine	是（包含反思）	是	評價之前輸出並修正	高	在長期任務中自愈能力增強	步數更多，成本增加
AutoGPT / BabyAGI 類	是（通常）	是（豐富工具集）	自主規劃、執行、評估	中	開放域自主性強	穩定性差，易陷入無限迴圈或目標漂移

注：典型表現基於已發表文獻的定性結論，具體數值請參閱原論文；效能指標受模型版本、任務設定影響，無統一硬性數字。

產業演進與融合

2023 年以來，OpenAI 推出的 function calling 與 Assistants API，以及 Anthropic 的 tool use 功能，在底層格式上未強制要求顯式推論文本，但其“模型自主決定呼叫哪個函式/工具、傳遞什麼引數，並基於返回結果繼續生成”的範式與 ReAct 同源。同時，開源架構 LangChain、LlamaIndex 將 ReAct 作為預設 Agent 型別，並衍生出 LangGraph 等支援多步、有狀態、可回退的編排方案。2024‑2025 年，主流雲端廠商（微軟 Copilot Studio、AWS Agents for Bedrock、Google Vertex AI Agent Builder）均推出低程式碼/無程式碼 Agent 建置器，內部預設採用類 ReAct 迴圈，進一步鞏固了該範式的產業地位。

6. 上游

ReAct 範式依賴以下幾層上游支撐，構成其執行的基礎設施與工具棧：

• 基座大型模型：具備強指令跟隨、推論和長上下文處理能力的 LLM，如 OpenAI GPT‑4o、Anthropic Claude 3.5 Sonnet/Opus、Google Gemini 1.5 Pro、Meta Llama 3 以及國產模型（通義千問、DeepSeek‑R1 等）。模型迭代速度直接決定 ReAct 效能上限。
• 工具與 API 提供商：搜尋引擎 API（Google Custom Search、Bing Search API）、計算服務、資料庫查詢介面、程式碼執行環境（如 E2B、Code Interpreter）、企業 ERP/CRM 系統 API 等。它們的可靠性、響應速度和返回格式影響整個迴圈的穩定性。
• 提示工程與編排架構：LangChain、LlamaIndex、Semantic Kernel、Dify 等提供工具整合、安全的解析器、記憶管理、錯誤重試等能力，是連線模型與工具的中介軟體。
• 資料與知識底座：向量資料庫（Pinecone、Weaviate、Milvus 等）和知識圖譜，支撐檢索增強生成（RAG）場景，當工具為“檢索知識庫”時，上游知識庫的質量直接影響答案准確率。
• 安全與閘道器層：為工具呼叫提供鑑權、限流、審計和敏感資料脫敏的 API 閘道器與 AI 防火牆，確保企業環境下的合規與安全。
• 算力與推論平台：GPU 雲端服務（NVIDIA、AWS、Azure 等）和推論最佳化引擎，決定模型響應的延遲和吞吐，間接限制 ReAct 迴圈的實際可用性。

7. 下游

ReAct 範式已在多個行業場景落地，推動“AI 員工”從概念走向生產力：

• 智慧代理平台與自主助理：AutoGPT、MetaGPT、CrewAI、AutoGen 等以 ReAct 迴圈為單智慧代理核心，實現任務規劃、分解與執行。
• 企業知識問答與客服：結合 RAG 的客戶服務系統，用 ReAct 動態決定何時檢索文件、何時生成回答、何時轉人工，提升首次解決率。
• 自動化辦公與業務流程：郵件自動處理、合同稽核、資料包表生成、競品分析等場景，模型自主操作辦公軟體、資料庫和 API。
• 垂直領域決策輔助：醫療輔助診斷（先檢索文獻，再推論鑑別）、法律案件檢索與分析（查法條、判例，逐步推演結論）、金融投研（抽取財報、計算指標、生成簡報）。
• 研發與資料分析：程式碼生成與除錯（呼叫直譯器、檢視執行結果、修正程式碼）、資料科學輔助（自然語言查詢資料庫、生成圖表）。
• IoT 與機器人控制：部分研究將 ReAct 思想擴充套件至具身智慧，通過推論規劃動作序列，並觀察環境反饋。

8. 受益公司

以下公司與機構在 ReAct 範式驅動的智慧代理生態中佔據關鍵位置，其受益邏輯基於公開產品與戰略版面配置（不構成任何投資建議）：

• 基礎模型廠商：

  • OpenAI（微軟生態）：ChatGPT 的 Plugins、Code Interpreter、Assistants API 均體現類 ReAct 模式；2024 年推出 GPT‑4o 支援更快速、低成本的工具呼叫。微軟將智慧代理能力整合進 Copilot Studio、Azure AI Studio，是產業化的最大受益方之一。
  • Anthropic：Claude 的 tool use 功能允許使用者定義工具並讓模型自主決定呼叫時機，企業級安全與合規定位使其在金融、醫療等場景有差異化優勢。
  • Google：憑藉 Gemini 模型和 Vertex AI Agent Builder 提供搜尋、程式碼執行等內建工具，結合Google生態（搜尋引擎、Workspace）形成閉環。
  • Meta：開源 Llama 3 系列支援工具呼叫能力，為非敏感場景的自部署 Agent 提供低成本選擇。

• 中介軟體與架構：

  • LangChain（LangChain Inc.）：已將 ReAct 作為核心 Agent 型別，2024 年完成 2500 萬美元 A 輪融資（來源：Sequoia Capital 公告，2024 年 4 月），同時推出有狀態編排架構 LangGraph。
  • LlamaIndex：專注資料與 LLM 的連線，其 Agent 實現同樣內嵌 ReAct 迴圈，獲 Greylock 等機構投資（具體金額見公開揭露）。
  • 微軟 Semantic Kernel：作為輕量級 SDK，整合原生 ReAct 步驟編排，深度繫結 Azure 生態。

• 應用與平台型公司：

  • Salesforce：Einstein GPT 及 Agentforce 平台利用類似範式驅動客戶關係管理自動化。
  • ServiceNow：在 ITSM 流程中引入 AI Agent 進行工單分類、自動補全和知識檢索。
  • Adobe：通過 Firefly 與智慧代理能力將創作工具與外部資源檢索相融合。
  • SAP、Oracle：在 ERP 產品中嵌入自然語言驅動的 Agent 助手，實現業務流程自動化。

• 算力與基礎設施：

  • NVIDIA：GPU 需求隨 Agent 推論的增多而持續增長，推出 NIM 微服務和 Agent 參考架構。
  • 雲端服務商（AWS、Azure、GCP）：各自的 Agent 建置服務和模型託管直接受益於智慧代理工作負載的擴大。

注：以上公司列舉基於 2024‑2025 年公開產品與戰略資訊，不意味著對其投資價值的判斷。

9. 市場規模

由於撰寫時未能聯網即時核驗，以下市場規模資料主要來自已公開的第三方行業報告，具體年份、口徑與來源均已標註；若某資料點缺乏權威統計，則註明“公開資料未見”。

• AI Agent 整體市場：據市場研究機構 MarketsandMarkets 於 2024 年 6 月釋出的報告《AI Agents Market by Component, Technology, Application, Vertical and Region – Global Forecast to 2030》估計，全球 AI Agent 市場規模在 2024 年約為 51 億美元，預計到 2030 年將增長至 471 億美元，2024‑2030 年複合年增長率（CAGR）為 44.8%。（來源：MarketsandMarkets，報告 ID: TC 8933；該口徑涵蓋軟體、服務，且包含基於規則的與基於 LLM 的 Agent）
• Agentic AI 在企業中的滲透率：公開資料見 Gartner 於 2024 年釋出的預測提及，到 2028 年，超過 25% 的企業軟體應用將嵌入一定程度的 Agentic AI 能力（來源：Gartner，具體報告名稱待查）。但準確數值和覆蓋範圍需以最新 Gartner 釋出為準，此處引用不構成確定性陳述。
• Agent 架構與中介軟體市場：公開資料未見單一機構對 LangChain 等中介軟體市場規模做出統計。從融資端看，2023‑2024 年 Agent 編排架構類初創公司（如 LangChain、LlamaIndex、CrewAI 等）累計融資額已超過數億美元（具體金額以 Crunchbase 及各自官方公告為準），側面印證資本對該細分賽道的樂觀預期。
• 相關雲端服務與推論算力市場：IDC 等機構對 AI 平台與雲端服務市場的統計包含 Agent 功能，但未單獨拆分；公開資料未見到專門針對 ReAct 範式帶動的算力支出測算。結合 Agent 呼叫頻次高、多步推論的特點，預計將顯著推升大型模型推論 API 與 GPU 雲端的市場消耗，但確切資料有待第三方機構後續細化。

重要提示：市場預測具有高度不確定性，以上數字均為特定時間節點的行業估計，不構成對未來表現的承諾。

10. 玩家對比

從產品化和開發者使用角度，當前市場上主流類 ReAct 方案可對比如下（資訊截至 2025 年 4 月，基於公開文件與體驗）：

玩家	方案名稱	透明度	工具整合難度	模型可選性	成本	適用場景
OpenAI	Assistants API / Function Calling	低（預設不公開思維鏈）	低（函式定義清晰）	僅限 OpenAI 模型	API 按 token 計費	追求快速落地、已繫結 Azure/OpenAI 生態的企業
Anthropic	Claude Tool Use	低（可通過提示要求解釋，但不強制）	低（類似於 function calling）	僅限 Claude 系列	API 按 token 計費	對安全性和指令遵循要求極高的金融、醫療場景
Google	Vertex AI Agent Builder + Gemini	中（可啟用思考記錄）	低（與 Google 服務深度繫結）	Google 模型	按呼叫和計算資源計費	已使用 Google Cloud 且需要搜尋引擎整合的企業
LangChain (開源)	ReAct Agent (with tools)	高（完整記錄 Thought/Action/Observation）	中（需編寫工具封裝）	任意 LLM（Open/閉源）	自託管成本 + 模型 API 費	需要高度可解釋、可審計或私有化部署的場景
AutoGPT / MetaGPT	自定義迴圈	中（日誌可查但結構不規範）	中（需定義工具和任務）	任意	自託管成本	探索性研究、自主學習原型，穩定性待提高
阿里百鍊 / 通義千問	Agent 建置平台	中	低	通義系列	按 API 計費	中文企業場景、需要合規部署於中國雲端的客戶

注：透明度指是否預設輸出可讀的推論與動作步驟日誌；成本為相對定性概述，具體費用需查閱各廠商最新價目表。

11. 風險

在產業快速推進中，基於 ReAct 的智慧代理系統仍需正視以下風險：

• 技術穩定性風險：多步迴圈可能因模型幻覺或解析錯誤而中斷；工具 API 的不穩定、返回格式變化會級聯導致任務失敗。當前在複雜開放域下的整體任務成功率仍未達到企業大規模無人值守的可靠性要求。
• 推論延遲與成本可控性：多步呼叫使延遲線性增加，消耗大量 token，容易導致單次互動成本數倍於無 Agent 場景。若吞吐量較大，雲端成本可能超出預算，影響規模化 ROI。
• 安全與合規風險：工具呼叫可能洩露敏感資料（如違反企業資料邊界呼叫外部搜尋引擎）、執行危險操作（如誤寫 SQL 刪除資料）。需要在閘道器層施加嚴格的權限控制和輸入輸出過濾，否則可能引發合規事故。
• 解釋性與審計鴻溝：儘管 ReAct 理論透明，但實際產品為降低成本常常隱藏或壓縮思考鏈，這會削弱對錯誤決策的追溯能力，難以滿足強監管行業（如金融、醫療）的審計要求。
• 模型鎖定與生態碎片化：ReAct 的最佳實踐高度依賴特定模型的指令跟隨能力，切換模型可能導致效能驟降。廠商迅速分化為不同生態（如 OpenAI 的 function calling 格式、Anthropic 的 tool use 規範），架構適配成本上升。
• 競爭與商業化風險：Agent 中介軟體賽道擁擠，開源架構與雲端廠商的託管服務形成競爭，創業公司可能面臨客戶被大型雲端平台直接整合的風險。同時，市場預期過高可能導致投資泡沫。
• 法律與倫理：Agent 在執行時可能做出侵權決策（如錯誤引用版權內容），責任歸屬尚不明確；在部分職業領域，Agent 自主執行可能違反行業資質規定。

12. 誤讀糾偏

誤讀 1：ReAct 是某種新型模型架構。
事實：ReAct 完全是一種提示工程方法，通過 few‑shot 示例與格式約束引導模型行為，任何支援長上下文和指令跟隨的 LLM 均可嘗試。它不涉及預訓練或微調模型權重。

誤讀 2：ReAct 必須嚴格分兩步——先思考完再行動。
事實：大多數實現會在單次前向傳播中同時生成 Thought 和 Action 欄位，邏輯上依舊是連續迴圈，思考隱含在對動作的選擇與引數構造中。

誤讀 3：ReAct 能完全消除幻覺。
事實：ReAct 只能降低因外部知識缺失而導致的幻覺，但無法消除因推論邏輯錯誤、工具返回資訊不準確或模型過度解讀而產生的幻覺。在開放應用中，仍需額外的護欄（如人工稽核、結果校驗）才能達到高可靠性。

誤讀 4：所有 Agent 都在用 ReAct。
事實：部分 Agent 使用純規則觸發，或通過隱式微調的呼叫策略，並未顯式生成可讀的推論路徑，這些不屬於 ReAct 範疇。但 ReAct 因其可解釋性，在需要審計的場景中已成為主流選擇。

誤讀 5：ReAct 只能用在文本問答。
事實：ReAct 的思想可擴充套件至多模態、程式碼執行、機器人任務規劃等，只要定義適當的動作空間和觀察介面即可。例如，呼叫視覺模型識別影像內容，或控制機械臂執行物理動作。

13. 最新事件

（時間跨度：2024 年 1 月至 2025 年 4 月，基於公開新聞報道與官方釋出）

• 2024 年 1‑3 月：OpenAI 推出 Assistants API 正式版，支援程式碼直譯器、檢索和函式呼叫，並實現多工具並行呼叫；LangChain 釋出 LangGraph，提供有狀態、可回退的 Agent 迴圈編排能力。
• 2024 年 4 月：LangChain 完成 2500 萬美元 A 輪融資（來源：Sequoia Capital 官方部落格及 TechCrunch 報道），驗證了 Agent 中介軟體層的商業價值。
• 2024 年 5 月：Anthropic 推出 Claude 的 Tool Use 功能正式公測，允許使用者定義工具並讓模型自行決定呼叫時機和引數，並支援多輪工具互動。
• 2024 年 8‑10 月：Google 釋出 Gemini 1.5 Pro 的長上下文版本，並在 Vertex AI 中提供 Agent Builder 預覽；微軟在 Ignite 2024 大會上宣佈 Copilot Studio 支援自主 Agent，可串聯多個工具和聯結器。
• 2024 年 11‑12 月：AWS 在 re:Invent 2024 上推出 multi‑agent orchestration 功能，允許 Agent 之間相互協作並呼叫 Bedrock 工具；Meta 釋出 Llama 3.3，開源模型工具呼叫能力進一步提升。
• 2025 年 1‑3 月：DeepSeek‑R1 等具備顯式“推論鏈”的模型釋出，其在推論時以類 ReAct 的方式自我分解任務，展示了開源模型在複雜 Agent 任務中的潛力。同季度，多家人力資源與財務軟體廠商（如 Workday、SAP）宣佈在核心產品中嵌入基於 ReAct 的 Agent 助手。

以上事件展示了 ReAct 範式從架構到平台、從閉源到開源的加速滲透，產業推進節奏明顯加快。

14. 追蹤指標

若希望持續觀察 ReAct 範式及其產業的演進，可關注以下維度的指標與訊號：

• 模型任務成功率：在公開基準（如 HotpotQA、FEVER、GAIA）上，主流模型+ReAct 配置的端到端準確率/精確匹配率，以及引入新工具後的提升幅度。
• 推論延遲與步數：典型任務的平均完成步數、首 token 生成時間與總互動時間，以及各廠商為降低延遲所做的最佳化（如 speculative decoding、並行工具呼叫）。
• 工具呼叫準確率：模型生成恰當工具名稱與引數的比例，這直接影響任務完成度；部分研究論文與廠商評測會公開該指標。
• 企業採用調研：Gartner、McKinsey、Deloitte 等機構釋出的 AI 採用率調查中，“Agentic AI”或“自主智慧代理”相關指標的變化，以及計劃在未來 12‑18 個月內部署 Agent 的企業佔比。
• 開源社群活躍度：LangChain、LlamaIndex、AutoGPT 等程式碼庫的 GitHub star 數、月度活躍貢獻者、版本更新頻率，以及新 Agent 架構的湧現速度。
• 融資與併購事件：Agent 中介軟體及工具鏈初創公司的融資輪次與金額，以及雲端平台和大廠對相關團隊的收購情況，反映資本熱度。
• 合規與安全標準進展：各國針對自主 Agent 行為的法規草案出臺情況，以及行業聯盟對 Agent 可解釋性、審計日誌格式的標準化努力。
• 雲端廠商 Agent 產品策略變化：如新增的工具商店、Agent 模板數量、是否將 Agent 能力整合至核心 SaaS 等。

15. 信源

• 核心論文：Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv preprint arXiv:2210.03629.
• 相關學術工作：Wei et al. “Chain‑of‑Thought Prompting Elicits Reasoning in Large Language Models”; Press et al. “Measuring and Narrowing the Compositionality Gap in Language Models” (Self‑Ask); Schick et al. “Toolformer: Language Models Can Teach Themselves to Use Tools”; Shinn et al. “Reflexion: Language Agents with Verbal Reinforcement Learning”.
• 市場報告：MarketsandMarkets, AI Agents Market by Component, Technology, Application, Vertical and Region – Global Forecast to 2030, June 2024 (Report ID: TC 8933).
• 企業公開資訊：OpenAI 官方文件（Assistants API, Function Calling）；Anthropic 官方文件（Claude Tool Use）；Google Cloud Vertex AI Agent Builder 文件；Microsoft Ignite 2024 公告；AWS re:Invent 2024 新功能釋出。
• 融資與產品動態：Sequoia Capital 關於 LangChain A 輪融資的部落格（2024.04）；LangChain 官方部落格及 GitHub 倉庫；Crunchbase 相關記錄。
• 分析師觀點：Gartner 對 Agentic AI 的預測（多次引用，具體報告名稱見 Gartner 官網）。
• 宣告：由於撰寫時未進行即時聯網檢索，所有具體數字均源自記憶中的公開權威來源，並已儘可能標註年份與出處。若個別細節與最新發布存在出入，請以原始檔為準。本文不構成任何投資建議或對未來市場表現的預測。