智能体范式浅谈

这几年围绕着智能体观察、思考与行动的模式业内逐渐发展出了几种不同的智能体运行逻辑。而在此之前即在现在较为通用的智能体逻辑模式我们称为智能体范式被总结和广泛使用之前智能体如何使用则处于一个初期探索的蓝海阶段。在当时的探索早期智能体的主流方法分为两类一种是“纯思考”另一种是“纯行动”。前者依赖模型强大的推理能力推导出用户问题的结果具有代表性的是思维链chain-of-thought。但由于在思考过程中模型没有与外界的交互过程其幻觉现象比较严重。后者则是直接通过模型输出要执行的动作例如模型调用某接口function call它虽然涉及到与外部的交互但却缺乏规划性和纠错能力。为了解决当时主流智能体的痛点问题一些智能体的新范式逐渐发展起来。这里先介绍很有代表性的三种智能体范式1ReAct范式ReAct范式把“思考”与“行动”这两个分立的过程结合起来形成一种动态的、思考与行动相辅相成的逻辑模式。它通过思考来指导下一步的行动方向行动执行后的结果会反过来纠正思考的方向。且这种范式下不是一轮“思考-行动”就结束了而是经过“思考-行动-观察 - 思考-行动-观察…”多个循环得出最终的答案。2plan-and-solve范式plan-and-solve范式适用于可以被明确分解、具有结构化的复杂任务通常它会将复杂任务分解为多个步骤执行。传统的思维链在处理复杂问题时容易偏离轨道与ReAct范式在每一次行动后动态调整的思路不同plan-and-solve范式会把整个流程分为规划行动清单和执行按清单逐项执行两个阶段。3reflection范式reflection范式是一种事后反思的范式通常是放在流程的最后一步做校验以提升输出结果的准确性。但另一方面这种范式在增加精度的同时也会增加整个流程的执行时间。因此它通常适用于对实时性要求不高对准确性要求很高的场景。本篇文章是智能体前置知识的初探后续会继续丰富智能体世界的拼图探索更多有意思的概念。参考资料https://datawhalechina.github.io/hello-agents