ReAct模式Agent中的工具调用历史管理与Token优化策略

问题背景在实现 ReAct（Reasoning + Acting）模式的 AI Agent 时，我们面临一个核心挑战：如何高效管理工具调用历史以优化 Token 使用？ ReAct 模式的标准流程 初始化：将 MCP 的 tool 列表转换为 function calling 格式，传给 LLM LLM 推理：分析请求，决定调用哪些工具及参数 执行 Tool：调用对应的 MCP tool，获取返回结果 反馈循环：将结果添加到对话历史，再次发送给 LLM 迭代判断： 需要更多信息 → 继续调用工具 信息充足 → 生成最终回复 核心问题当 Agent 处理用户的下一个输入时，需要带上 history + 最新 input。那么： history 是否有必要带上历史 tool 调用信息？ 这个看似简单的问题，实际涉及到： 上下文连贯性 vs Token 成本 多轮推理能力 vs 内...

阅读全文