智能体范式浅谈

这几年，围绕着智能体观察、思考与行动的模式，业内逐渐发展出了几种不同的智能体运行逻辑。而在此之前，即在现在较为通用的智能体逻辑模式（我们称为智能体范式）被总结和广泛使用之前，智能体如何使用则处于一个初期探索的蓝海阶段。

在当时的探索早期，智能体的主流方法分为两类，一种是“纯思考”，另一种是“纯行动”。

前者依赖模型强大的推理能力，推导出用户问题的结果，具有代表性的是思维链（chain-of-thought）。但由于在思考过程中模型没有与外界的交互过程，其幻觉现象比较严重。

后者则是直接通过模型输出要执行的动作，例如模型调用某接口（function call），它虽然涉及到与外部的交互，但却缺乏规划性和纠错能力。

为了解决当时主流智能体的痛点问题，一些智能体的新范式逐渐发展起来。这里先介绍很有代表性的三种智能体范式：

（1）ReAct范式

ReAct范式把“思考”与“行动”这两个分立的过程结合起来，形成一种动态的、思考与行动相辅相成的逻辑模式。它通过思考来指导下一步的行动方向，行动执行后的结果会反过来纠正思考的方向。且这种范式下，不是一轮“思考->行动”就结束了，而是经过“思考->行动->观察 -> 思考->行动->观察…”多个循环得出最终的答案。

（2）plan-and-solve范式
plan-and-solve范式适用于可以被明确分解、具有结构化的复杂任务，通常它会将复杂任务分解为多个步骤执行。传统的思维链在处理复杂问题时容易偏离轨道，与ReAct范式在每一次行动后动态调整的思路不同，plan-and-solve范式会把整个流程分为规划（行动清单）和执行（按清单逐项执行）两个阶段。

（3）reflection范式
reflection范式是一种事后反思的范式，通常是放在流程的最后一步做校验，以提升输出结果的准确性。但另一方面，这种范式在增加精度的同时，也会增加整个流程的执行时间。因此它通常适用于对实时性要求不高，对准确性要求很高的场景。

本篇文章是智能体前置知识的初探，后续会继续丰富智能体世界的拼图，探索更多有意思的概念。

参考资料：https://datawhalechina.github.io/hello-agents