因为它们解决的是两个不同层次的问题：
- Prompt = 你要做什么、规则是什么
- ReAct = 做的过程中，下一步具体该干什么
最形象的类比是：Prompt 是“工作说明书”，ReAct 是“现场判断力”。
假设老板对一个研究员说：
“帮我研究宁德时代，重点分析商业模式、财务状况、行业竞争和估值，最后给我一份报告。数据必须尽量使用最新资料。”
这就是 Prompt。
它告诉 AI：
目标是什么、重点是什么、最后交什么、有哪些要求。
但问题来了：老板不可能提前把每一步都写死。
研究员开始工作以后可能遇到：
查财报 → 发现毛利率突然上升 → “为什么上升？”
↓
查产品结构 → 发现储能业务增长很快 → “那储能是不是主要原因？”
↓
查储能收入 → 发现海外增长明显 → “是不是海外市场推动？”
↓
再查欧洲、美国市场数据。
这些“根据刚刚获得的信息决定下一步干什么”，就是 ReAct。
所以可以把整个过程画成：
Prompt
↓
“研究宁德时代投资价值”
↓
开始工作
↓
查财报
↓
发现毛利率提高
↓
🤔 为什么？
↓
查业务结构
↓
发现储能增长
↓
🤔 储能贡献有多大？
↓
查储能数据
↓
发现海外占比较高
↓
🤔 海外政策会不会有风险？
↓
查政策
↓
……
↓
最终报告
这里面每一个：
观察结果 → 判断 → 决定下一步行动
就是 ReAct。
为什么不能只靠 Prompt？
因为很多现实任务的路径，在开始之前根本不知道。
比如你告诉 AI：
“帮我把这个程序 Bug 修掉。”
Prompt 已经非常明确了。
但是 AI 开始以后：
读取代码
↓
发现报错 A
↓
修改
↓
运行测试
↓
出现报错 B
↓
分析 B
↓
修改
↓
运行
↓
测试通过
你不可能在最开始的 Prompt 里面写：
“第一步修改第 37 行，然后第二步修改第 91 行。”
因为连你都不知道问题在哪。
因此：
Prompt 管方向。
ReAct 管过程中怎么走。
再举一个你非常容易理解的例子。
假设你准备考研。
你的 Prompt 就像：
“今年我要准备复旦金融专硕，重点提高数学、英语和金融专业课。”
这是你的总任务说明。
但每天真正学习的时候：
做概率题
↓
发现条件概率很差
↓
今天多复习条件概率
↓
做题以后又发现贝叶斯不会
↓
回去复习贝叶斯
↓
再重新测试
这就是人类自己的 ReAct。
你不会在大三刚开始就准确知道：
“11 月 17 日晚上 8:32 我会在贝叶斯公式这里出问题。”
所以必须根据学习结果动态调整。
甚至可以进一步区分 Prompt、Plan 和 ReAct
这三个很容易混：
| 东西 | 解决什么问题 |
|---|---|
| Prompt | 我要干什么？有什么要求？ |
| Plan | 大体分成哪几步？ |
| ReAct | 执行过程中，根据新情况下一步怎么办？ |
例如：
Prompt：
帮我分析一家公司的投资价值。
Plan：
1. 商业模式
2. 财务分析
3. 行业分析
4. 竞争优势
5. 估值
6. 风险
ReAct：
做到财务分析时发现：
自由现金流连续两年下降。
于是 AI 临时决定：
“这个异常很重要，我需要额外检查 CapEx、应收账款、存货和经营现金流。”
这一步甚至原来的 Plan 都没有写进去。
这就是 ReAct 的价值。
所以你可以记住一个非常形象的比喻：
Prompt = 导航目的地
Plan = 导航规划出来的大路线
ReAct = 开车时根据红绿灯、堵车、施工不断调整
假如只有 Prompt：
“我要从长沙去上海。”
但没有途中判断能力，AI 就像：
知道目的地，却不会根据现实情况开车。
而真正的 Agent 必须是：
知道自己要去哪，同时能看着路况决定下一步怎么走。
这也是为什么 Agent 架构真正厉害的地方，不是 Prompt 写得特别长，而是 AI 能形成：
目标 → 行动 → 获取结果 → 判断 → 新行动 → 再判断
这样一个闭环。
而这个“闭环”，才开始真正像人在工作。