【Datawhale2604】Hello-agents task01 智能体经典范式构建
·
系列文章目录
前言
一、ReAct
ReAct 本质是一个闭环控制系统。
LLM是控制器，tool是执行器，环境是被控对象，Observation是传感器反馈。
| 环节 | 控制论对应 | 作用 | 教材代码体现 |
|---|---|---|---|
Thought | 状态估计+策略计算 | 基于历史观测，决定下一步动作 | response_text 中的思考段落 |
Action | 控制指令下发 | 调用具体工具（Search/Calculator等） | Action: Search[...] |
Observation | 传感器反馈 | 返回环境真实状态，修正模型认知 | tool_function(tool_input) 返回值 |
History | 状态记忆寄存器 | 累积 (a, o) 对，维持上下文连续性 | self.history.append(...) |
- 用 Mermaid 看清数据及状态如何在循环中累积：
二、Plan-and-Solve
三、 Reflection
- Reflection 不是“多调一次 LLM”，而是认知范式的根本切换。
| 范式 | 认知模式 | 人类类比 | 核心缺陷 |
|---|---|---|---|
| Reflection | 生成-评审-重构闭环 | 写论文→导师批注→修改二稿→终稿 | 成本高，但产出质量呈阶梯式跃升 |
- 角色解耦：LLM 不擅长“自己检查自己”。
Reflection强制将模型拆分为 Generator 创作者 和 Critic 评审员，利用不同 Prompt 激活不同的参数子空间。 - 质量驱动 vs 进度驱动：前两种范式追求“完成任务”，
Reflection追求“达到质量标准”。它把任务从开环控制（Open-loop）升级为带监督的闭环控制（Closed-loop with Supervisor）。 - 收敛思维：人类会判断什么时候该停止再修改了。
Reflection必须内置收敛判定逻辑，否则会变成无限内耗。
总结
更多推荐
11
0- 0
已为社区贡献6条内容
所有评论(0)