Agent是2026最火AI话题——AI相关岗位都期待你理解循环，不是只会背发布会。
工具调用流：prompt里描述工具；模型输出结构化调用（JSON带工具名+参数）；runner执行；结果作为observation喂回；模型继续。
ReAct=Reason+Act。prompt形状："Thought→Action→Observation→Thought→..."直到模型给最终答案而非Action。
现代API（OpenAI tools、Anthropic tool_use）用带类型schema规范这一切——不再正则解析文本动作。
停止条件：最大迭代、成本预算、重复动作检测（循环踩同一个失败调用）、显式final answer标签。
安全：沙箱执行（绝不把模型输出丢shell）、输入输出校验、贵工具限速、全量审计日志。
模型并不真的"调"任何东西——它输出一个结构化请求，宿主程序解析、执行工具、把结果当observation喂回去。ReAct是经典循环：Thought→Action→Observation→Thought→...→最终答案。现代API（OpenAI tools、Anthropic tool_use）工具带类型JSON schema，模型输出可解析不靠正则。工程上真正关键的是停止条件和安全。停止：最大轮数、预算上限、检测重复失败调用。安全：工具执行沙箱（绝不把模型输出丢shell）、输入校验、贵工具限速、全程日志。生产级agent框架80%是harness 20%是prompt——有意思的设计问题都在harness里。
低风险只读工具（搜索、读文件）可以并发；改状态的工具要串行+确认。
多数agent故障是tool schema漂移——模型调工具时参数形状runner不认。严格校验。
即答侠教ReAct循环会配具体故障模式（死循环、幻觉工具）——答出来像工程师不是看demo。
ReAct每步交错思考和行动——鲁棒但慢。Plan-and-Execute先写完整计划再执行——快但现实不符时重新规划能力差。
Model Context Protocol是跨厂商连接LLM和工具的标准——建立在同一套tool call机制之上的薄层。