API Key 密鑰：深入理解與應用
下面的例子就展示了 AI 智能體在產生回應之前，會經歷一系列的思考活動。
在本文中，我們將通過深入剖析 ReAct 架構設計模式，來揭開這個過程的神秘面紗，從而我們獲得了對 AI 智能體行為的完全控制，使其更容易進行優化和故障排除。
ReAct（即推理和行動）是一種 AI 智能體的架構設計范式，AI 智能體使用鏈式推理和工具使用行動來綜合運用。
與其一步到位地生成直接答案，ReAct 智能體會逐步思考，并且可以在最終確定答案之前執行中間行動（比如：查找某件事或計算一個值）。
為了更清楚地了解這一點，讓我們來思考一下 ReAct 架構設計模式是如何工作的。
考慮在一個多智能體系統中構建的一個 AI 智能體的輸出：
在上面的例子中，我們看到了一個使用 ReAct 范式執行任務的新聞報道 AI 智能體的實時追蹤。該 AI 智能體被要求創建一個與“Agent2Agent協議”相關的新聞標題。然而，它并沒有急于下結論，而是如其結構化的追蹤所示，逐步推理。
接下來我們拆解一下：
這是一個例子，說明了 ReAct 模式是如何鼓勵 AI 智能體行為的透明性、準確性和可驗證性：對于那些需要處理真實世界信息的系統來說，這可是非常重要。
你可以想象，在多智能體系統中進一步擴展這個架構設計模式：一個新聞收集者收集原始信息，一個事實驗證者檢查可靠性，而這個新聞報道者構建標題，所有這些都通過推理和基于工具的行動進行異步協調。
ReAct 被引入作為一個重大步驟，使基于 LLM 的 AI 智能體更加可靠和強大。
通過讓大模型解釋其思考過程并通過工具核實事實，我們減少了幻覺和錯誤傳播等問題。
Yao 等人最初的 ReAct 研究表明，這種方法可以通過讓大模型檢索真實信息（比如：查詢維基百科）來核實其事實，從而克服問答中的幻覺。
它還提高了 AI 智能體決策過程的透明度，因為我們可以檢查推理鏈以進行調試或評估可信度。
總體而言，ReAct 架構設計模式將一個被動的 LLM 變成了一個積極的問題解決者，它可以分解復雜任務并與外部數據源互動，就像一個自主助手一樣。
這也解釋了為什么它幾乎在所有的 AI 智能體框架中都被廣泛使用。實際實現可能會有所不同，但一切都與 ReAct 架構設計模式衍生出來的東西有關。
ReAct 工作流程如下：
ReAct 智能體在一個思考→行動→觀察的循環中運行，直到它找到解決方案或最終答案為止。
這類似于人類解決問題的方式：
我們思考要做什么，執行一個行動（比如：查找某件事或進行計算）， 觀察結果，然后將其納入我們的下一個思考中。
ReAct 框架使用提示詞工程來強制執行這種結構化的方法，交替大模型的思考和行動/觀察。
下面是一個 AI 智能體中 ReAct 循環的逐步分解：
這個思考/行動/觀察循環重復進行，允許 AI 智能體在需要時鏈接多個工具使用（搜索，然后可能是一個計算，然后另一個搜索等）。最終，AI 智能體決定它可以回答用戶。在這一點上，它不是輸出一個行動，而是輸出一個最終答案（有時在格式中標記為答案：或最終答案）。在整個過程中，AI 智能體保持對話和它自己的中間步驟，這就是記憶的功能。
每個思考和觀察都可以被添加到對話上下文中，以便 LLM 記住到目前為止它已經做了什么。
這對于連貫性至關重要。最終結果是，AI 智能體有效地規劃其方法，混合推理和行動。
這種動態方法比僵化的腳本或單輪回應要靈活得多。它允許處理不可預見的子任務，類似于人類在出現新信息時調整計劃的方式。
需要注意的是，所有這些“思考”和“行動”注釋并不是 LLM 的神奇特性：它們來自我們如何提示大模型。
正如我們稍后將看到的，我們明確地指導大模型以這種結構化的方式格式化其回應。換句話說，ReAct 是通過精心設計的提示詞模板和解析邏輯實現的，而不是通過任何內置的 LLM 能力。
LLM 是通過我們給它的例子和指令被引導表現得像一個推理和行動的 AI 智能體。
文章轉載自：AI 智能體 ReAct 架構設計模式剖析
