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(yōu)化和故障排除。

一、ReAct 架構設計剖析

1、ReAct 架構設計模式描述

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(zhí)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。

2、ReAct 示例描述

考慮在一個多智能體系統(tǒng)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(zhí)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(chuàng)建一個與“Agent2Agent協(xié)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：

– AI 智能體角色：新聞報道者–這個 AI 智能體專門負責策劃和驗證新聞內容。

• Task：該 AI 智能體被指示生成一個新聞標題，并確保它與Agent2Agent協(xié)議相關。
• Thought：該 AI 智能體首先內部推理，它應該通過快速搜索關于該協(xié)議的最新更新來驗證信息。這是 ReAct 周期中的推理部分。
• Action：它接著使用一個標記為“搜索互聯(lián)網(wǎng)”的工具，傳遞一個結構化的 JSON 輸入，查詢內容為：“Agent2Agent 協(xié)議新聞 2023年11月”。這是 AI 智能體利用外部工具收集現(xiàn)實世界數(shù)據(jù)的行動步驟。

– Tool Output：它包含了搜索工具檢索到的結果–可能是新聞片段、文章摘要或相關網(wǎng)址。 這展示了將結構化思考和外部行動結合起來的力量：AI 智能體不僅僅依賴大模型的內部知識，而是通過工具進行事實核查。

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(tǒng)來說，這可是非常重要。

你可以想象，在多智能體系統(tǒng)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(xié)調。

3、為什么 ReAct 如此重要？

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(shù)據(jù)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(xiàn)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：

• 命令 LLM 逐步操作，
• 清晰地將思考與行動分開，
• 確保工具的確定性輸入輸出行為，
• 并產(chǎn)生可檢查或調試的可追溯推理鏈。

二、推理 + 行動：ReAct 智能體的工作原理

ReAct 智能體在一個思考→行動→觀察的循環(huán)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(zhí)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(zhí)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(huán)的逐步分解：

• Thought：AI 智能體（由 LLM 驅動）分析用戶的查詢和內部上下文，并以自然語言產(chǎn)生一個推理步驟。這通常不會顯示給最終用戶，但它是 AI 智能體規(guī)劃的一部分。例如：“問題要求一個國家的人口；我應該使用網(wǎng)絡搜索來找到最新數(shù)字。”

– Action：根據(jù)思考，AI 智能體決定要執(zhí)行的外部工具或操作。它輸出一個規(guī)定的格式來表示行動。例如：行動：WebSearch（"2023年加拿大人口"）。AI 智能體本質上是通過名稱“調用”一個函數(shù)（工具），通常帶有一些輸入?yún)?shù)。

– Observation：AI 智能體的環(huán)境（我們的代碼）執(zhí)行請求的行動，并將結果（觀察）返回給 AI 智能體。例如，網(wǎng)絡搜索工具可能會返回：“觀察：2023年加拿大人口為3800萬。”這個觀察結果被輸入到 AI 智能體的上下文中。

– AI 智能體帶著新信息回到第一步（另一個思考）。它將用新數(shù)據(jù)進行推理。在我們的例子中，它可能會想：“現(xiàn)在我有了人口數(shù)字；我可以回答問題了。”

這個思考/行動/觀察循環(huán)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(jīng)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(guī)劃其方法，混合推理和行動。

這種動態(tài)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(xiàn)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(xiàn)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(xiàn)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