- 正确答案：Agent的工作模式是指大语言模型（LLM）驱动的智能体在完成复杂任务时所采用的推理与行动协同机制。典型模式包括Chain-of-Thought（CoT）、ReAct、Reflexion、Plan-and-Execute、Tree-of-Thought（ToT）、Graph-of-Thought（GoT）等。其中，CoT强调“仅思考”，通过生成中间推理步骤提升逻辑连贯性；ReAct则融合“推理（Reasoning）”与“行动（Acting）”，让Agent在推理过程中主动调用工具（如搜索API、计算器、数据库查询），获取外部信息并据此更新推理状态，形成闭环交互。 - 解答思路：理解Agent工作模式需从三个维度切入：（1）是否显式建模“思考过程”（vs 端到端直接输出）；（2）是否引入外部工具调用能力（vs 仅依赖参数内知识）；（3）是否具备反馈修正机制（vs 单次前向推理）。CoT是基础推理范式，解决LLM“一步跳变”导致的逻辑断裂；ReAct在此基础上增加动作接口和观测反馈，使Agent具备现实世界交互能力；后续模式如Reflexion进一步引入自我反思（self-reflection）与错误回溯，Plan-and-Execute则显式分离高层规划与底层执行，体现分层控制思想。 - 深度知识讲解： ▪ 底层实现原理上，所有模式均依赖LLM的in-context learning能力，但Prompt结构设计决定其行为范式。CoT通常采用few-shot示例（如“Q: 一只鸡和一只兔共35头，94脚，问鸡几只？A: 设鸡x只，则兔35−x只…→解得x=23”），本质是诱导模型激活符号推理的内部表征路径；而ReAct的Prompt强制要求交替输出三元组，例如：需要知道爱因斯坦出生年份才能计算他50岁时的年份。 Search[Albert Einstein birth year] Albert Einstein was born in 1879. 1879 + 50 = 1929，因此他在1929年满50岁。这种结构化输出约束，实质是对LLM生成空间施加语法+语义双重约束，使其输出可被解析器（parser）提取并触发真实工具调用——这是Agent系统工程化的关键接口。 ▪ 数据结构支撑：典型ReAct Agent需维护一个“轨迹（trajectory）”数据结构，即有序列表[(thought, action, observation)]，长度动态增长。该轨迹既是推理记忆（working memory），也是后续反思或重规划的输入。在代码层面，常建模为List[Dict]或自定义Trajectory类，支持append()、rollback()、to_string()等操作。例如Python伪代码： class Trajectory: def __init__(self): self.steps = [] def append_step(self, thought: str, action: Optional[str] = None, observation: Optional[str] = None): step = {"thought": thought} if action: step["action"] = action if observation: step["observation"] = observation self.steps.append(step) def get_context_prompt(self) -> str: return "\n".join([f"{s['thought']}" + (f"\n{s['action']}" if "action" in s else "") + (f"\n{s['observation']}" if "observation" in s else "") for s in self.steps]) ▪ 实现原理延伸：ReAct的成功依赖两个隐含假设——（1）LLM能可靠地将自然语言指令解析为预定义动作名（如Search/Calculate/QueryDB），这要求动作空间小且命名清晰，否则需引入function calling机制（如OpenAI的tools schema）；（2）Observation返回内容必须简洁、结构化、无歧义，否则LLM无法准确理解，故实际系统中常对工具响应做后处理（如抽取纯文本摘要、标准化日期格式）。这也是为什么工业级Agent框架（如LangChain、LlamaIndex）均内置Tool Parsing与Observation Sanitization模块。 ▪ 扩展对比： • CoT：零工具调用，纯内部推理；适合数学推导、逻辑谜题；缺点是幻觉风险高，无法验证事实。 • ReAct：单步工具调用+即时反馈；适合开放域问答、实时信息检索；缺点是动作序列线性、缺乏回溯。 • Reflexion：在ReAct轨迹末尾追加步骤，总结成功/失败原因（如“上次搜索关键词太宽泛，应加入‘1927年索尔维会议’限定”），用于下一轮重试——本质是将强化学习中的reward shaping转化为语言反馈。 • Plan-and-Execute：先调用LLM生成多步骤计划（Plan: 1. 查XX事件时间；2. 查YY人物生平；3. 对比分析…），再按序执行（Execute），支持并行/条件分支，更接近传统AI规划器（如STRIPS），但Plan生成本身可能出错，需Plan Validation机制。 - 补充说明：当前前沿已出现混合模式，如ReAct+ToT（在每个节点展开多分支推理树），或ReAct+Reflexion+Memory（将历史成功轨迹存入向量库，实现案例推理CBR）。这些演进表明，Agent工作模式的本质是“可控推理流程的编程范式”，其成熟度取决于Prompt工程、工具生态、记忆架构与评估体系四者的协同演进。

美团测开暑期一面

全站热榜

创作者周榜