經過前兩天的番外篇，或許可以給大家一些LLM目前困境與瓶頸的認識。

在我們了解了Agent的3大組件，接下來的問題是：它們怎麼協同合作?
ReAct循環就是讓LLM、上下文、工具串連起來的機制，接下來就來看一個Agent是如何思考和行動的。

Agent執行任務的核心模式是ReAct(reasoning + acting)，雖然名字只顯示思考和行動，但實際上循環應當包含3個環節：模型先"思考"當前任務，然後調用工具"行動"，再"觀察"工具返回的結果並繼續思考下一步。(可以往前翻D7有圖例)
這樣"想→做→看→想→做→看”的循環不斷重複，直到任務完成。

讓我們通過一個"多幣種收入匯總"的例子來理解Agent的"軌跡(trajectory)"。軌跡是Agent在執行任務過程中不斷累積的消息歷史--用戶訊息、模型回復(思考過程和工具調用)、工具執行結果。每次調用LLM時，它接收的完整上下文由"靜態前綴"(系統提示詞 + 工具定義)和"軌跡"(動態消息歷史)兩部分組成。
這顯示了個關鍵：Agent的上下文 = 靜態前綴 + 軌跡

具體來說，靜態前綴對應我們在上下文篇時的2個組件(系統提示詞 + 工具定義)，軌跡對應後3項(用戶消息 + 模型回覆 + 工具執行結果，並隨交互不斷成長)。

基於這個完整的上下文，LLM生成下一步的響應，然後這個響應又加入至軌跡之中，供下一次調用使用。

來看最小運行骨架。這說"明機制如何運行"：model負責決策(下一步)，Harness負責組裝上下文、校驗並執行工具，Environment負責產生真實狀態變化和觀察。

trajectory = [user_request]

repeat:
    context = stable_prefix + trajectory
    decision = Model(context)
    trajectory.append(decision)

    if decision has no tool call:
        return decision.answer

    for call in decision.tool_calls:       # independent calls may run in parallel
        validated_call = Harness.validate(call)
        observation = Environment.execute(validated_call)
        trajectory.append(observation)

最後，簡單來說 --
Agent's Trajectory 是 Agent 為完成任務所經歷的「Observation → Reasoning → Action → Observation」序列，也是 Agent 決策過程的完整執行路徑。

BookToSkill是一個開源命令列工具，支持將TXT、MD、DOCX、PDF格式的一分或多份文檔，轉化成一個可直接部署的.zip技能包
GitHub: https://github.com/virgiliojr94/book-to-skill