“ ReAct思考和行動(dòng)，既是一種方法論，也是一種范式，更是一種提示詞模板，還是一種Agent智能體的開(kāi)發(fā)方式?！?/strong>

目前基于大模型構(gòu)建上層應(yīng)用，其中很大的一個(gè)問(wèn)題就是大模型的能力不足，特別是在復(fù)雜場(chǎng)景下的邏輯思維能力，明顯存在嚴(yán)重的缺陷；而且由于安全性問(wèn)題，大模型整體運(yùn)行過(guò)程是一個(gè)黑盒模型，我們并不知道其內(nèi)部到底是怎么運(yùn)作的。

因此，這時(shí)就需要一種方式讓大模型給出具體的思考和行動(dòng)過(guò)程，一是為了弄明白大模型是怎么思考的，二是為了讓大模型能夠處理更復(fù)雜的邏輯問(wèn)題。

Reasoning And Acting思考和行動(dòng)

人工智能技術(shù)的發(fā)展是為了讓機(jī)器取代人類(lèi)，使人類(lèi)從繁重的生產(chǎn)任務(wù)中脫離出來(lái)；因此人工智能技術(shù)不僅僅只是用來(lái)生成一些文字，圖片；最重要的是讓大模型真的能夠像人類(lèi)一樣干活，使用各種工具去處理各種復(fù)雜的事情。

但大模型是一個(gè)沒(méi)有物理實(shí)體的程序，怎么才能讓大模型去接觸現(xiàn)實(shí)世界呢？

因此這時(shí)Agent智能體就產(chǎn)生了，智能體的作用就是讓大模型能夠使用外部工具和現(xiàn)實(shí)世界進(jìn)行接觸，而這也是為什么說(shuō)Agent智能體是通往通用人工智能(AGI)的橋梁。

雖然說(shuō)目前大模型可以通過(guò)Function call和MCP等方式來(lái)使用外部工具；但有一個(gè)問(wèn)題就是，大模型在處理復(fù)雜問(wèn)題時(shí)能力有限，因?yàn)樗鼰o(wú)法做到像人類(lèi)一樣，把一個(gè)復(fù)雜的任務(wù)通過(guò)拆分形成多個(gè)簡(jiǎn)單的子任務(wù)。

所以，這時(shí)就需要一種方式來(lái)讓大模型像人類(lèi)一樣進(jìn)行思考和行動(dòng)，而這時(shí)就有人提出了一個(gè)方法論——Reasoning And Acting思考和行動(dòng)；簡(jiǎn)稱(chēng)——ReAct。

可能很多人都聽(tīng)說(shuō)過(guò)這個(gè)詞，但我相信很多人八成都沒(méi)弄明白這個(gè)詞到底是怎么回事；雖然有文檔解釋ReAct的理念，但我想很多人應(yīng)該都看不明白，包括作者自己。

在前面的文章中提過(guò)，大模型應(yīng)用的核心就是把大模型當(dāng)做一個(gè)人，而不是一個(gè)無(wú)所不能的神；而不同的大模型就類(lèi)似于不同的人，有些擅長(zhǎng)創(chuàng)作類(lèi)，比如AIGC，有些擅長(zhǎng)邏輯推理比如說(shuō)GPT4和DeepSeek-R1等。

因此，把大模型類(lèi)比于人類(lèi)，就可以更好地理解大模型應(yīng)用的本質(zhì)；那么人類(lèi)在面對(duì)復(fù)雜問(wèn)題時(shí)都是怎么處理的？

首先，就是要分析問(wèn)題，然后拆解問(wèn)題，最后一步一步的解決問(wèn)題，而且在解決問(wèn)題的過(guò)程中還要不斷的思考，總結(jié)和調(diào)整方向和策略。

因此，仿造人類(lèi)解決復(fù)雜問(wèn)題的過(guò)程，就提出了大模型的ReAct范式；其原理就類(lèi)似于人類(lèi)解決復(fù)雜問(wèn)題的過(guò)程。

ReAct范式主要包括以下幾個(gè)方面，以提示詞模板為例：

Question: 用戶問(wèn)題

thought: 大模型思考過(guò)程

action: 調(diào)用工具執(zhí)行

observation: 觀察總結(jié)

final answer: 最終答案

這玩意看起來(lái)好像很好理解，但實(shí)際用的時(shí)候發(fā)現(xiàn)好像又沒(méi)那么簡(jiǎn)單；原因就在于我們沒(méi)搞明白大模型為什么會(huì)按照這種要求去做。

其實(shí)，我們換個(gè)角度就很好理解這個(gè)問(wèn)題了；這玩意就類(lèi)似于一個(gè)模板，比如我寫(xiě)文章，寫(xiě)論文需要有一些模板格式；而這就相當(dāng)于我們的論文模板，只不過(guò)這個(gè)模板是思考和行動(dòng)的過(guò)程。

這就類(lèi)似于，領(lǐng)導(dǎo)給下屬分配一個(gè)任務(wù)，讓下屬去處理；但由于這個(gè)下屬能力不足，害怕出錯(cuò)，所以領(lǐng)導(dǎo)就交給他一個(gè)方法論，把問(wèn)題，思考過(guò)程，行動(dòng)過(guò)程，以及總結(jié)的過(guò)程都按照以上方式記錄下來(lái)，這樣就能避免主觀犯錯(cuò)。

OK，這里弄明白了ReAct模式的提示詞方式，那ReAct應(yīng)用于Agent智能體的開(kāi)發(fā)應(yīng)該怎么辦呢？

畢竟智能體是LLM+Prompt+Tools的集合，怎么才能讓智能體按照這種思考方式來(lái)處理問(wèn)題呢？并且，當(dāng)其中某個(gè)環(huán)節(jié)執(zhí)行失敗時(shí)，智能體能夠及時(shí)總結(jié)和調(diào)整找到其它的解決方案。

并且智能體還需要在失敗和用戶反饋中，不斷的優(yōu)化其執(zhí)行方案和結(jié)果；那ReAct智能體的執(zhí)行過(guò)程是什么樣的？

根據(jù)提示詞的這個(gè)過(guò)程，大模型在接受到用戶請(qǐng)求(question)之后(也就是提示詞，提示詞中包括用戶的問(wèn)題，以及一些條件和約束等)；大模型拿到問(wèn)題之后，就會(huì)進(jìn)行思考分析(thought)，然后根據(jù)思考結(jié)果判斷是依靠自身能力解決，還是需要調(diào)用外部工具解決，這一步就是行動(dòng)(action)。

而大模型在思考完成并調(diào)用工具行動(dòng)之后，會(huì)拿到一個(gè)結(jié)果；但這個(gè)結(jié)果可能并不是對(duì)的，或者只是中間某一步的結(jié)果；因此，大模型還需要觀察(observation)工具執(zhí)行的結(jié)果，是否拿到正確結(jié)果，也就是是否符合用戶的問(wèn)題，以及執(zhí)行過(guò)程中是否出現(xiàn)錯(cuò)誤或異常等。

Question: 用戶問(wèn)題

thought: 大模型思考過(guò)程

action: 調(diào)用工具執(zhí)行

observation: 觀察總結(jié)

final answer: 最終答案

當(dāng)，工具執(zhí)行出現(xiàn)異?；驔](méi)有拿到正確結(jié)果之前，智能體需要自己能夠解決問(wèn)題找到新的解決方案，或者是繼續(xù)之后后面的步驟，拿到最終的結(jié)果(final answer)。

本文轉(zhuǎn)載自??AI探索時(shí)代?? 作者：DFires