思考：内部推理和 Re-Act 方法

在本节中，我们将深入探讨 AI Agent 的内部运作方式——其推理和计划能力。我们将探索 Agent 如何利用其内部对话来分析信息，将复杂问题分解为可管理的步骤，并决定下一步采取什么行动。此外，我们还将介绍 Re-Act 方法，这是一种提示技术，鼓励模型在行动前“逐步思考”。

思考代表 Agent 解决任务的内部推理和计划过程。

这利用 Agent 的大型语言模型 (LLM) 能力来分析提示中呈现的信息。

可以将其视为 Agent 的内部对话，Agent 在其中考虑手头的任务并制定策略。

Agent 的思考负责访问当前的观察结果并决定下一步应该采取什么行动。

通过这个过程，Agent 可以将复杂问题分解为更小、更易于管理的步骤，反思过去的经验，并根据新信息不断调整其计划。

以下是一些常见思考的示例

思考类型	示例
计划	“我需要将此任务分解为三个步骤：1) 收集数据，2) 分析趋势，3) 生成报告”
分析	“根据错误消息，问题似乎出在数据库连接参数上”
决策	“考虑到用户的预算限制，我应该推荐中档选项”
问题解决	“为了优化这段代码，我应该首先对其进行性能分析以识别瓶颈”
记忆整合	“用户之前提到了他们对 Python 的偏好，所以我将提供 Python 示例”
自我反思	“我上次的方法效果不佳，我应该尝试不同的策略”
目标设定	“为了完成这项任务，我需要首先确定验收标准”
优先级排序	“在添加新功能之前，应该先解决安全漏洞”

注意：对于为函数调用微调的 LLM，思考过程是可选的。如果您不熟悉函数调用，将在“行动”部分提供更多详细信息。

Re-Act 方法

一个关键方法是 ReAct 方法，它是“推理”（思考）和“行动”（行动）的结合。

ReAct 是一种简单的提示技术，它在让 LLM 解码下一个 token 之前附加“让我们逐步思考”。

事实上，提示模型“逐步思考”会鼓励解码过程朝向生成计划而不是最终解决方案的下一个 token，因为模型被鼓励将问题分解为子任务。

这允许模型更详细地考虑子步骤，这通常比直接尝试生成最终解决方案减少错误。

我们最近看到了对推理策略的浓厚兴趣。这就是 Deepseek R1 或 OpenAI 的 o1 等模型背后的原理，这些模型经过微调以“先思考再回答”。

这些模型经过训练，始终包含特定的思考部分（用 <think> 和 </think> 特殊 token 括起来）。这不仅仅是一种像 ReAct 这样的提示技术，而是一种训练方法，模型在分析了数千个示例后学会生成这些部分，这些示例展示了我们期望它做什么。

现在我们更好地理解了思考过程，让我们更深入地了解过程的第二部分：行动。