请解释ReAct（Reasoning + Acting）框架的核心设计理念，并分析其在解决复杂推理与交互任务时相比单纯提示工程的优势。

ReAct 三步循环

输入：用户问题
    ->
Thought（思考）：分析当前情况，决定下一步行动
    ->
Action（行动）：调用具体工具（search / calculator / text2sql / code_executor）
    ->
Observation（观察）：接收工具真实返回结果
    ->
判断：信息够了吗？
    |- 否 -> 返回 Thought，继续循环
    |- 是 -> 生成 Final Answer

完整代码实现

class ReActInference:
    def __init__(self, model, tools, max_steps=30):
        self.model = model
        self.tools = tools
        self.max_steps = max_steps

    def run(self, question: str) -> dict:
        messages = [
            {"role": "system", "content": self._get_system_prompt()},
            {"role": "user", "content": question}
        ]

        for step in range(self.max_steps):
            response = self.model.generate(messages)
            messages.append({"role": "assistant", "content": response})

            if "<answer>" in response:
                return {"answer": self._extract_answer(response), "steps": step + 1}

            tool_call = self._parse_tool_call(response)
            if tool_call:
                try:
                    observation = self.tools.execute(tool_call)
                except TimeoutError:
                    observation = "工具调用超时，请尝试其他方法"
                except Exception as e:
                    observation = f"工具调用失败: {str(e)}"
                messages.append({
                    "role": "user",
                    "content": f"<tool_response>{observation}</tool_response>"
                })

        return {"answer": "达到最大步数，无法完成", "status": "max_steps_exceeded"}

ReAct vs CoT vs IterResearch

ReAct（累积式）：
  Round N: [Q, T1, A1, O1, T2, A2, O2, ..., Tn, An, On]  <- 上下文线性增长！

IterResearch（常量式）：
  Round N: [Q, Report_{N-1}, Action_{N-1}, Observation_{N-1}]  <- 大小恒定！

关键：用「演进报告 Report」压缩整合前轮信息，每轮只保留固定大小的工作空间