知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 02 - ReAct 框架与推理模式 > 导读:本文从"面试里问『ReAct、CoT、Plan-and-Execute、Reflexion 到底有什么区别,你的项目为什么选它』时该怎么答"这个高频疑问出发,把 ReAct 的交替循环、CoT 的纯推理链、Plan-and-Execute 的先规划后执行、Reflexion 的自我反思逐项讲透,最后给出选型表、工程实践与踩坑。适合正在准备 Agent 方向面试、或需要在项目里挑选推理模式的同学。 ## 一、先建立全局认知 ### Q:ReAct 到底是什么?为什么它能成为最主流的 Agent 推理框架? A:结论先行——**ReAct(Reasoning + Acting,推理与行动)的核心洞察是:单纯的语言推理(Chain-of-Thought)和单纯的工具调用,单独使用都有局限;它把两者融合为"推理 → 行动 → 观察"的交替循环,让每个行动都有推理作为前导**。 为什么说"单独使用都有局限"?把两个极端摊开看就清楚了:  *图:纯 CoT 与纯工具调用的缺陷及 ReAct 融合* ```text 只用 CoT(纯推理): 优点:推理链清晰、可解释 缺陷:无法获取外部信息——知识截止日期之后的事、私有数据、实时数据全都答不了 → 只能靠内部知识"猜",幻觉难以避免 只用工具调用(纯行动): 优点:能拿到真实数据 缺陷:缺少"我为什么要调这个工具"的判断 → 看到一个工具就随手调用,退化成"盲目调用的机器" ReAct = 两者融合: Thought(我接下来该做什么)→ Action(执行工具)→ Observation(拿到反馈) → 再基于反馈推理下一步 …… 直到模型认为"我有足够信息回答了" ``` 融合带来的直接收益是**行为的目的性与可解释性**:不是看到一个工具就调用,而是先评估"我是否需要这个工具""这个工具能给我什么""得到结果后怎么继续"。这两点在生产环境里非常值钱——**目的性决定准确率,可解释性决定可维护性**。 ### Q:ReAct 的核心循环由哪几部分组成? A:结论先行——**由三部分组成:Thought(LLM 的推理过程,说明为什么要做这个动作)、Action(调用工具执行动作)、Observation(工具返回的结果);三者交替往复,直到产出最终回答**。  *图:ReAct 三要素定义与推理循环* ```text Thought:LLM 的推理过程(为什么要做这个动作) Action:调用工具执行动作 Observation:工具返回的结果 Thought → Action → Observation → Thought → Action → Observation → ... → 最终回答 关键:每一步都有推理,不是盲目调用工具 ``` 这里有三个容易被忽略的细节,面试时说出来会加分: 1. **Thought 不产生副作用**,它只写进消息历史,是"给模型自己看"的中间产物;只有 Action 才会真正触碰外部系统。 2. **Observation 的来源是工具而非模型**——这正是 ReAct 相对 CoT 多出来的"事实注入点"。 3. **循环的终止由模型自己判断**(输出最终回答)或由系统强制(达到最大步数)。**在工程实现里必须两条路都有**,只靠模型自判会偶发不收敛。 ### Q:给一条完整的 ReAct 执行轨迹? A:结论先行——**一条轨迹就是若干个 Thought/Action/Observation 三元组的串联,最后以一个 finish 动作收尾;观察每轮的 Thought 如何被上一轮 Observation 改变,就理解了 ReAct 的价值**。 ```text 用户:2024 年诺贝尔物理学奖得主是谁?他们的研究领域是什么? Thought 1: 我需要搜索 2024 年诺贝尔物理学奖的信息 Action 1: search("2024 Nobel Prize Physics") Observation 1: John Hopfield 和 Geoffrey Hinton 因人工神经网络的基础性发现获奖 Thought 2: 我已经知道得主了,现在需要了解他们的研究领域 Action 2: search("Geoffrey Hinton research field") Observation 2: Hinton 是深度学习之父,研究领域包括神经网络、机器学习... Thought 3: 我有足够的信息来回答了 Action 3: finish("2024 年诺贝尔物理学奖授予 John Hopfield 和 Geoffrey Hinton, 他们的研究领域是人工神经网络和机器学习。") ``` **为什么这条轨迹能体现 ReAct 的"螺旋式探索"?** 因为用户其实问了两个子问题(得主是谁、研究领域是什么),而模型**在拿到第一个 Observation 之后才决定去查第二个子问题**。这个"第二轮该查什么"是依第一轮结果产生的,不是一开始就写死的——这正是 ReAct 相对固定工作流的核心优势。 ## 二、理解核心机制:CoT 与 ReAct ### Q:Chain-of-Thought(CoT)是什么?为什么它有效? A:结论先行——**CoT(思维链)是一种纯推理技术,不涉及任何工具调用;它的核心思想是让 LLM 在给出最终答案之前先显式输出中间推理步骤,把推理过程"可视化",从而显著提高复杂问题的正确率**。 为什么"把过程写出来"就能提高正确率?可以归结为两点: 1. **问题拆解**:多步推理把一个大问题拆成一连串小步骤,每一步都是 LLM 擅长的简单运算或逻辑判断。**模型做"23 - 15"比做"23 减 15 再加 8 是多少"可靠得多**。 2. **算力分配**:逐步输出让模型有更多的 token 预算分配给具体的推理步骤,而不是一步跳到答案。**生成中间 token 本身就是在"花算力思考"**。 ```text CoT 是纯推理,不调用工具,让 LLM 一步步思考 普通回答: Q: 一个商店有 23 个苹果,卖了 15 个,又进了 8 个,还有几个? A: 16 个 CoT 回答: Q: 一个商店有 23 个苹果,卖了 15 个,又进了 8 个,还有几个? A: 让我一步步想: 1. 开始有 23 个苹果 2. 卖了 15 个:23 - 15 = 8 个 3. 又进了 8 个:8 + 8 = 16 个 所以还有 16 个苹果。 CoT 通过显式的推理步骤提高准确率 在 Prompt 中加 "Let's think step by step" 就能触发 ``` **最简洁的启动方式就是在 Prompt 末尾加上 `Let's think step by step`**。在数学推理、逻辑谜题、代码调试等需要多步推导的场景中,CoT 可以将准确率提升 10-30 个百分点。需要提醒的是:**这个提升幅度是文献/经验中的常见区间,具体数值与模型、任务难度强相关,落地时应以自己评测集上的实测为准**。 ### Q:ReAct 和 CoT 的根本区别是什么? A:结论先行——**根本区别在于"是否需要与外部世界交互":CoT 靠 LLM 内部知识 + 推理能力解题,适合封闭领域;ReAct 在推理过程中不断获取外部信息来补充知识不足,适合开放领域、需要实时信息或外部操作的任务**。 从"形状"上看两者的差异非常直观:  *图:CoT 线性推理链与 ReAct 螺旋式探索对比* ```text CoT:只推理,不行动(适合纯推理问题) ReAct:推理 + 行动(适合需要外部信息的问题) CoT: Thought → Thought → Thought → Answer (线性推理链) ReAct:Thought → Action → Observation → Thought → Action → ... → Answer (螺旋式探索,每轮根据新信息调整方向) ``` 选型判断可以用一句话概括:**任务能否在模型的知识边界内完成?** | 判断 | 结论 | 原因 | |---|---|---| | 能在知识边界内完成(数学推导、逻辑题、离线代码分析) | 用 **CoT** | 无需工具调用开销,更快更省,失败面更小 | | 需要访问外部系统、查实时数据或执行操作 | 必须用 **ReAct** | 内部知识无法覆盖,且可能要产生副作用 | | 需要多步且步骤间有依赖的复杂任务 | **Plan-and-Execute** | 先通盘规划避免短视 | | 需要在多次失败中迭代改进 | **Reflexion** | 从错误中学习 | 值得强调的一点:**"能不用工具就不用工具"是重要的成本意识**。如果答案可由已给定信息推导,调用工具只会增加延迟和失败面——多一次工具调用就多一次超时、限流、参数错的可能。 ### Q:CoT 也有失效的时候吗?它的边界在哪? A:结论先行——**有。CoT 只提高"多步推理"的成功率,并不解决"事实缺失"问题:当答案依赖模型不具备的外部事实时,CoT 会生成一条看起来合理但事实错误的推理链;当问题本身只需单步回答时,它只增加成本不增加准确率**。 三类典型失效:  *图:CoT 的三类失效:事实型、单步与长链* ```text 失效 1:事实型问题(最危险) Q:"某公司去年的营收是多少?" CoT 输出:让我一步步分析 → 根据行业规模推算 → 约 XX 亿 问题:整条推理链逻辑自洽,但事实是"推"出来的,不是"查"出来的 → 推理链的存在反而让错误答案显得可信(一本正经地胡说) 失效 2:单步简单问题 Q:"法国的首都是哪里?" CoT 输出:让我一步步想 → 法国位于欧洲 → 首都巴黎 → 多花的 token 与延迟换不来任何准确率提升 失效 3:长链错误传播 推理第 3 步产生一个错误假设 → 第 4、5 步基于它继续推导 → 链越长,错误被"放大"和"合理化"的空间越大 ``` **这正是 ReAct 存在的动机**:把"事实获取"交给工具(消灭失效 1)、把"是否需要多步"交给模型判断(缓解失效 2)、把"推理与验证交替"作为结构(抑制失效 3)。所以 CoT 与 ReAct 不是替代关系,而是**ReAct 在 CoT 的推理能力之上补了事实来源**。 ## 三、Plan-and-Execute(先规划后执行) ### Q:Plan-and-Execute 是怎么工作的? A:结论先行——**它把 Agent 的工作拆成两个独立阶段:规划阶段先通盘考虑任务,制定完整的执行步骤列表;执行阶段再按计划步步推进**。 ```text 先制定完整计划,再逐步执行 步骤 1(规划): 用户目标:"帮我写一篇关于 RAG 的技术博客" 计划: 1. 搜索 RAG 的最新进展 2. 整理 RAG 的核心概念 3. 编写博客大纲 4. 撰写各章节内容 5. 审校和润色 步骤 2(执行): 按计划逐步执行,每步可能调用不同的工具 步骤 3(反思): 执行完一步后检查:计划需要调整吗? 优点:适合复杂的多步任务 缺点:初始计划可能不完美,需要动态调整 ``` **为什么"计划与执行分离"是个好设计?** 因为它带来两个工程上的好处: 1. **避免短视决策**。ReAct 是"走一步看一步",在超长任务里容易在局部最优里打转(比如反复优化第二段文字而忘了整体结构);先规划让模型先看到全局再动手。 2. **失败的恢复粒度更小**。计划和执行分离后,如果第 4 步失败,可以只重试第 4 步或调整后续计划,**而不需要从头重新推理**。 ### Q:Plan-and-Execute 的弱点是什么?怎么补? A:结论先行——**弱点是"初始规划很可能不完美":LLM 在还没执行任何工具、没拿到任何实际反馈的情况下制定的计划,往往会在执行中途被证明不切实际;工程上通常加入"重规划(Replan)"机制,每执行完一步就重新评估剩余计划**。  *图:ReAct 的控制流——思考与行动的循环,直到满足终止条件* ```text 问题:规划时信息不完整 ┌──────────────────────────────┐ │ 规划阶段:只有用户目标,无工具反馈 │ ← 计划基于"想象" └──────────────┬───────────────┘ ▼ ┌──────────────────────────────┐ │ 执行阶段:第 2 步发现前提不成立 │ ← 现实打脸 │ 例如:"搜索 RAG 最新进展" │ │ → 工具不可用 / 结果与假设不符 │ └──────────────┬───────────────┘ ▼ ┌──────────────────────────────┐ │ 重规划(Replan):保留已完成成果 │ │ 重新规划剩余步骤,而不是硬走旧计划 │ └──────────────────────────────┘ ``` 重规划的关键设计是**"保留已验证成果 + 只重规划剩余步骤"**。如果每次偏差都全量重来,前几步的成本(工具调用、Token)就白花了,而且模型可能在不同计划间来回摇摆。常见的重规划触发器包括:**工具失败、关键数据缺失、结果与预期偏差超阈值**。 另外还有一种更激进的变体叫 **Plan-and-Solve**:在生成计划后直接让一次推理完成所有步骤,适合规划可信度非常高的简单任务。**它的前提是"规划质量足够高",一旦规划有偏,没有执行阶段的纠偏机会。** ### Q:重规划本身也有成本,怎么避免"频繁重规划"? A:结论先行——**重规划会额外消耗一次 LLM 调用,而且频繁重规划会让 Agent 在不同版本的计划之间来回摇摆、丢失已完成成果;所以应该给它设置明确的触发条件(工具失败、关键数据缺失、结果与预期偏差超阈值),而不是每执行一步都无条件重规划**。 三种策略的取舍很清楚: | 策略 | 纠偏能力 | 额外成本 | 主要风险 | |---|---|---|---| | 只规划一次,永不重规划 | 无 | 无 | 前提失效后机械执行错误计划 | | 每步都重规划 | 最强 | 每步一次 LLM 调用 | 计划不稳定、成果被反复推翻 | | 触发式重规划 | 够用 | 仅命中触发器时付出 | 触发器设计不当会漏判或误判 | **触发式是工程上的默认选择**,因为它的成本与"实际发生偏差"的次数成正比,而不是与任务长度成正比——**长任务不会因为步骤多就变得昂贵**。代价是你要把触发器设计好:条件太松会退化成"每步都重规划",条件太严会退化成"永不重规划",**这两端的失效表现和没有重规划机制是一样的**。 ### Q:Plan-and-Execute 在代码里怎么用? A:结论先行——**LangChain 生态里通过 `load_chat_planner` 构造规划器、`load_agent_executor` 构造执行器,再由 `PlanAndExecute` 把两者串起来**。 ```python from langchain.agents import load_tools from langchain_experimental.plan_and_execute import ( PlanAndExecute, load_agent_executor, load_chat_planner ) planner = load_chat_planner(llm) executor = load_agent_executor(llm, tools, verbose=True) agent = PlanAndExecute(planner=planner, executor=executor) result = agent.invoke({"input": "比较 React 和 Vue 的优缺点,写一份报告"}) ``` **关键点解读**: - **`planner` 和 `executor` 是两个独立的 LLM 角色**,可以配置不同的模型——例如用强模型做规划(决定方向,质量敏感),用快模型做执行(步骤明确,成本敏感),这是很实用的省成本手段。 - 这段代码来自 `langchain_experimental`,**说明该模块属于实验性 API,接口可能随版本变动,生产使用前需结合你锁定的版本确认**。 - **"比较 React 和 Vue 的优缺点"这类任务之所以适合它**:步骤相对稳定(了解各自特性 → 对比维度 → 写报告),且子任务之间依赖不强,规划阶段的"信息不完整"风险较小。 ## 四、Reflexion(自我反思) ### Q:Reflexion 是什么?它和"失败重试"有什么本质区别? A:结论先行——**Reflexion 是在 ReAct 基础上增加"从自己的错误中学习"的能力:它不是一个独立的推理模式,而是对 ReAct 的增强——任务执行完后让 Agent 主动评估"刚才哪里做得不好、为什么、下次怎么改进",并把反思存入长期记忆指导未来决策;它比单纯重试多了"归因 + 沉淀"两步**。 ```text Agent 执行后回顾自己的表现,从错误中学习 循环: 1. 执行任务 2. 评估结果:做得好不好? 3. 反思:哪里做错了?为什么? 4. 总结经验,存入记忆 5. 下次遇到类似任务时参考经验 示例: 第 1 次尝试:搜索 "RAG" → 结果太泛 反思:搜索词太短,应该更具体 第 2 次尝试:搜索 "RAG retrieval augmented generation tutorial" → 结果好多了 ``` **"重试"与"Reflexion"的区别可以这样对照**: | 维度 | 单纯重试 | Reflexion | |---|---|---| | 新一次尝试的输入 | 和上一次完全相同 | 上一次 + 反思内容 | | 是否有归因 | 无 | 有("搜索词太短") | | 是否沉淀 | 无 | 写入长期记忆,可跨任务复用 | | 效果 | 大概率重复同样的错误 | 有针对性规避上次的错误 | **没有归因的重试等于"用同样的方法期待不同的结果"**——模型在同一 Prompt 下大概率会做出同样的错误选择。 ### Q:为什么叫"口头化反思"? A:结论先行——**因为 Reflexion 的核心是让 LLM 用自然语言描述自己的错误和改进方向,而非通过梯度下降等传统机器学习方法更新参数;"反思"本身是一次 LLM 推理过程,只是它的输入不只是用户任务和工具结果,还包括整个执行过程的轨迹(trajectory)**。 这一点是 Reflexion 最值得讲的设计思想:**它让不依赖梯度更新的 Agent 也能在一定程度上"从失败中进步"**。传统 ML 的改进路径是"收集数据 → 训练 → 更新权重",而 Reflexion 的路径是"执行 → 生成反思文本 → 存入记忆 → 下次检索注入"——**用"检索到的经验文本"模拟了"学到的参数"**,成本极低且无需训练基础设施。 在代码生成、数学推理、搜索任务中,加入 Reflexion 后的多轮迭代效果显著优于单纯重试。**但要注意,这不是"训练",反思的质量完全取决于模型自身的判断力——模型对自己的错误产生误判时,反思会把错误固化下来。** ### Q:Reflexion 记录的经验为什么不能直接当作永远正确的规则? A:结论先行——**因为反思可能基于偶然结果或错误归因,且环境、工具与任务分布会变化;正确做法是保存适用条件和证据,按需检索,并以新的验证结果修正或淘汰经验**。 举几个具体的失效场景: ```text 场景 1:偶然成功被当成规律 反思:"这次先查 A 再查 B 成功了,以后都这个顺序" 现实:这次成功是巧合,换了任务顺序反了 场景 2:错误归因 反思:"失败是因为工具不好用" 现实:失败是因为参数传错了 场景 3:环境漂移 反思:"这个 API 用 v1 就行" 现实:API 升级到 v2,旧经验失效 ``` 所以**记忆里存的应该是"带条件的线索"而不是"无条件规则"**:例如"当搜索词过于宽泛导致结果泛化时,改用更具体的关键词"比"搜索词要长"更可复用。同时要给它加上过期与淘汰机制,**用新的验证结果持续修正经验池**。 ### Q:Reflexion 有什么成本和风险?值不值得加? A:结论先行——**成本上,每次反思都额外消耗一次 LLM 调用,而重试意味着整轮任务重跑,总成本随反思次数线性增长;风险上,反思质量完全不可控——模型对自己的错误产生误判时,会把错误经验固化进记忆,反而降低后续表现**。 四类风险与缓解手段: | 风险 | 表现 | 缓解 | |---|---|---| | 成本叠加 | 反思调用 + 整轮重跑 | 限制 `max_reflections`、只对特定失败类型触发 | | 归因错误 | 把"参数填错"归因成"工具不好用" | 要求反思必须引用具体步骤作为证据 | | 过度泛化 | 把一次偶然成功当成普遍规律 | 反思需附适用条件,不写无条件规则 | | 记忆污染 | 错误经验长期影响后续任务 | 记忆带置信度 + 过期淘汰机制 | **值不值得加,取决于任务的两个属性**:一是**失败是否可重试**(有副作用的操作不能简单重跑,重试可能造成重复扣款);二是**失败是否有共性**(同类错误会反复出现时,沉淀反思的价值才高)。**如果失败大多是随机的、或每次失败原因都不同,那么重试加反思的期望收益很低,不如把资源投到工具描述和参数校验这些确定性的改进上。** ## 五、推理模式对比与工程实践 ### Q:五种推理模式该怎么选? A:结论先行——**ReAct 是通用底座(最常用);CoT 用于纯推理场景;Plan-and-Execute 用于复杂多步任务;Reflexion 用于需要迭代改进的任务;Tree of Thought 用于需要多路径探索的创造性问题**。 ```text 模式 特点 适用场景 ReAct 推理+行动交替 通用 Agent(最常用) CoT 纯推理链 数学、逻辑推理 Plan-and-Execute 先规划后执行 复杂多步任务 Reflexion 执行后自我反思 需要迭代改进的任务 Tree of Thought 多路径探索 需要创造性的问题 ``` **实践中的组合策略是"以 ReAct 为基础,按需叠加"**,例如: ```text 简单问答型 Agent = ReAct 离线数学/逻辑助手 = CoT 长流程自动化任务 = Plan-and-Execute + Replan 代码生成 / 数据分析 = ReAct + Reflexion 创意策划 / 方案设计 = CoT + Tree of Thought(多方案探索) ``` **不要一上来就全都要**。每叠加一种模式往往意味着额外的 LLM 调用轮次:规划一次、反思一次、多路径探索好几次。**延迟和成本会随组合数快速上升,而收益未必同步增长**,所以要以"当前指标哪里不达标"为依据按需引入。 ### Q:选型和落地时最容易踩的坑是什么? A:结论先行——**四个高频坑:该用 CoT 的场景硬上 ReAct(无谓开销与失败面)、Plan-and-Execute 不加重规划(计划过期仍硬执行)、Reflexion 把反思当永久规则(错误固化)、去掉 Thought 只留 Action(退化成盲目调用)**。 ```text 坑 1:该用 CoT 却用了 ReAct 表现:纯数学题也去调搜索工具,延迟翻倍还可能搜到错的 纠正:答案可由给定信息推导 → 用 CoT,别调工具 坑 2:Plan-and-Execute 不接重规划 表现:第 3 步发现前提不成立,仍然机械执行第 4、5 步 纠正:每步后检查事实/进度/约束,设置重规划触发器 坑 3:Reflexion 的反思被当永久规则 表现:把一次偶然成功经验写死成流程,换场景就翻车 纠正:记录适用条件与证据,按需检索,用新结果淘汰旧经验 坑 4:为了"省 token"去掉 Thought 表现:模型直接输出 Action,选错工具且无法定位原因 纠正:Thought 是决策依据与调试线索,不应删减 ``` **关于"去掉 Thought 会怎样"这一点值得再强调**:Thought 把目标、证据和下一步动作关联起来,帮助模型选择合适工具、并在观察结果后纠偏。**去掉后模型容易退化成基于表面关键词的盲目调用,而且因为链条里没有推理记录,错误极难诊断**——你只能看到"它调了错工具",看不到"它为什么以为该调这个工具"。**用可观测性换 token 省钱,通常是最不划算的取舍。** ### Q:落到项目里,怎么把"选模式"这件事做对? A:结论先行——**用四个问题依次定位:答案能否由已给定信息推导(能 → CoT);是否必须访问外部信息或产生副作用(是 → ReAct);步骤是否多且依赖强(是 → Plan-and-Execute + 重规划);是否需要从多次失败中迭代改进(是 → Reflexion);四问都答"否"或"不确定",就用最基础的 ReAct**。  *图:四问决策:CoT、ReAct、规划还是 Reflexion* ```text Q1 答案能由已给定信息推导出来吗? ├─ 能 → CoT(不要调工具,省时省钱) └─ 不能 ↓ Q2 必须访问外部信息 / 产生外部副作用吗? ├─ 是 → ReAct 作为底座 └─ 否 → 重新看 Q1,可能只是 Prompt 没写清 Q3 步骤多、且步骤之间依赖强吗? ├─ 是 → Plan-and-Execute + 重规划 └─ 否 → 标准 ReAct 够用 Q4 需要从失败中迭代改进吗? ├─ 是 → 叠加 Reflexion(并把经验落库) └─ 否 → 到此为止 ``` **这份清单的价值在于"先证伪再叠加"的顺序**:每一步都在问"能不能用更简单的方案",只有当前一步确实不够用时才升级。**绝大多数落地的 Agent 项目,最终稳定运行的形态就是"ReAct + 按需重规划"**——因为每叠加一层模式,就多一次 LLM 调用、多一个可能出错的环节,而线上系统的可靠性是第一位的。 ## 小结 - **ReAct = Thought → Action → Observation 交替循环**,让每个行动都有推理作为前导,兼具目的性与可解释性。 - **CoT 是纯推理链**,靠显式中间步骤提高准确率,适合无需外部信息、可由给定信息推导的任务;`Let's think step by step` 是最简启动方式。 - **ReAct 与 CoT 的分水岭是"是否需要与外部世界交互"**:封闭领域用 CoT,开放领域 / 需实时信息或外部操作必须用 ReAct。 - **Plan-and-Execute 先规划后执行**,适合复杂多步任务,但初始计划可能不完美,必须配重规划(Replan);Plan-and-Solve 是更激进的一次性变体。 - **Reflexion 用"口头化反思"让 Agent 从错误中学习**,靠记忆沉淀经验而非梯度更新;反思是带条件的线索,不是永久规则。 - 落地原则:**以 ReAct 为基础,按需叠加其他模式**,避免无谓的 LLM 调用叠加。 ## 思考题 1. ReAct 的 Thought 步骤为什么重要?去掉会怎样? - **参考答案:** Thought 将目标、证据和下一步动作关联起来,帮助模型选择合适工具并在观察结果后纠偏。去掉后容易退化成基于表面关键词的盲目调用,错误更难诊断。 2. Plan-and-Execute 的计划如果一开始就错了怎么办? - **参考答案:** 每个关键步骤后检查事实、进度和约束;发现前提不成立时保留已验证成果,重新规划剩余步骤,而不是机械执行旧计划。可设置重规划触发器,如工具失败、关键数据缺失或结果偏差。 3. 哪些任务适合 CoT 而不适合 ReAct? - **参考答案:** 答案可由已给定信息推导、无需实时数据或外部副作用的任务,如数学推导、逻辑题和离线代码分析,适合 CoT。此时调用工具只会增加延迟和失败面。 4. Reflexion 记录的经验为什么不能直接当作永远正确的规则? - **参考答案:** 反思可能基于偶然结果或错误归因;环境、工具与任务分布也会变化。应保存适用条件和证据,按需检索,并以新的验证结果修正或淘汰经验。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入