智能体Agent的经典构建方式：ReAct、Plan-and-Solve和Reflection

ReAct由Shunyu Yao在2022年提出，核心思想是模仿人类解决问题的过程，将推理和行动明确结合起来，形成”思考-行动-观察”的循环。

在ReAct出现之前，主要方法分两类：一类是”纯思考”型，比如思维链，能引导模型进行复杂推理，但无法与外部交互，容易产生错误信息；另一类是”纯行动”型，模型直接输出要执行的动作，但缺少规划和纠正错误的能力。

ReAct巧妙之处在于认识到思考和行动是互相促进的。思考指导行动，行动结果又反过来修正思考。为此，ReAct通过特定的提示方式来引导模型，让每一步输出都遵循固定模式：

思考 Agent 智能体 (Thought)：
这是智能体的”内心想法”。它会分析当前情况、分解任务、制定下一步计划，或者反思上一步结果。

行动 (Action)：
这是智能体决定采取的具体动作，通常是调用外部工具，比如Search[‘华为最新款手机’]。

观察 (Observation)：
这是执行行动后从外部工具返回的结果，比如搜索结果的摘要或api的返回值。

1. 需要外部知识的任务：查询实时信息（天气、新闻、股价）、搜索专业领域知识
2. 需要精确计算的任务：把数学问题交给计算器工具，避免大语言模型的计算错误
3. 需要与API交互的任务：操作数据库、调用服务API完成特定功能

Plan-and-Solve，顾名思义，这种模式将任务处理明确分为两个阶段：先规划，后执行。核心目的是解决思维链在处理多步骤、复杂问题时容易”跑偏”的问题。与ReAct将思考和行动融合在每一步不同，Plan-and-Solve将整个流程分成两个核心阶段：

规划阶段 (Planning Phase)：
首先，智能体接收用户的完整问题。第一个任务不是直接去解决问题或调用工具，而是将问题分解，制定出清晰、分步骤的行动计划。

执行阶段 (Solving Phase)：
获得完整计划后，智能体进入执行阶段。它会严格按照计划中的步骤，逐一执行。每一步的执行都可能是一次独立的大语言模型调用，或者是对上一步结果的加工处理，直到计划中所有步骤都完成，最终得出答案。

1. 多步数学应用题：需要先列出计算步骤，再逐一求解
2. 需要整合多个信息源的报告撰写：需要先规划好报告结构，再逐一填充内容
3. 代码生成任务：需要先构思好函数、类和模块的结构，再逐一实现

Reflection机制的核心思想是为智能体引入事后自我校正的循环，让它能像人类一样，检查自己的工作，发现不足，并进行迭代优化。核心工作流程可以概括为三步循环：执行 → 反思 → 优化。

执行 (Execution)：
首先，智能体用熟悉的方法（如ReAct或Plan-and-Solve）尝试完成任务，生成初步的解决方案或行动轨迹。可以看作是”初稿”。

反思 (Reflection)：
接着，智能体进入反思阶段。它会调用一个独立的、或者有特殊提示的大语言模型实例，扮演”评审员”角色。这个”评审员”会检查第一步生成的”初稿”，从多个角度评估：

• 事实错误：是否有与常识或已知事实不符的内容？
• 逻辑漏洞：推理过程是否有不连贯或矛盾的地方？
• 效率问题：是否有更直接、更简洁的方法来完成任务？
• 遗漏信息：是否忽略了问题的某些关键约束或方面？

根据评估，生成结构化的反馈，指出具体问题和改进建议。

优化 (Refinement)：
最后，智能体将”初稿”和”反馈”作为新的上下文，再次调用大语言模型，要求它根据反馈内容修正初稿，生成更完善的”修订稿”。

Reflection机制是典型的”用成本换质量”策略。非常适合对最终结果的质量、准确性和可靠性有极高要求，且对任务完成的实时性要求相对宽松的场景。

1. 生成关键的业务代码或技术报告
2. 科学研究中的复杂逻辑推演
3. 需要深度分析和规划的决策支持系统

1. 简单交互任务：用ReAct模式
   • 实时查询
   • 简单信息获取
   • 快速响应场景
2. 结构化任务：用Plan-and-Solve模式
   • 项目规划
   • 代码生成
   • 报告撰写
3. 高质量要求任务：用Reflection模式
   • 重要文档编写
   • 关键代码审查
   • 复杂问题求解
4. 混合使用：根据任务类型灵活组合
   • 先用Plan-and-Solve制定计划
   • 用ReAct执行具体步骤
   • 用Reflection检查和优化结果

三种智能体构建方式各有特点，适用于不同场景：

• ReAct：适合需要与外部交互的实时任务
• Plan-and-Solve：适合结构化的复杂任务
• Reflection：适合对质量要求极高的关键任务

理解这些模式的特点和适用场景，能帮助你设计出更智能、更可靠的AI应用系统。在实际开发中，可以根据具体需求选择合适的模式，或者组合使用多种模式，达到最佳效果。

本文内容仅供个人学习、研究或参考使用，不构成任何形式的决策建议、专业指导或法律依据。未经授权，禁止任何单位或个人以商业售卖、虚假宣传、侵权传播等非学习研究目的使用本文内容。如需分享或转载，请保留原文来源信息，不得篡改、删减内容或侵犯相关权益。感谢您的理解与支持！

链接: https://fly63.com/article/detial/13258