大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



towardsdatascience.com/recap-of-all-types-of-llm-agents/

每个成功的 AI 代理的核心都隐藏着一个基本技能：提示（或“提示工程”）。这是通过精心设计输入文本来指导 LLM 执行任务的方法。

提示工程是第一代文本到文本 NLP 模型（2018 年）输入的演变。当时，开发者通常更关注建模方面和特征工程。在创建大型 GPT 模型（2022 年）之后，我们开始主要使用预训练的工具，因此重点转向了输入格式。因此，“提示工程”学科应运而生，现在（2025 年）它已经成熟为艺术和科学的结合，因为 NLP 正在模糊代码和提示之间的界限。

不同的提示技术创造了不同类型的代理。每种方法都增强了一种特定的技能：逻辑、规划、记忆、准确性和工具集成。让我们用一个非常简单的例子来看看它们。

 setup import ollama llm = "qwen2.5" question q = "What is 30 multiplied by 10?" 

1. “常规提示” – 只需提出一个问题，就能得到直接的答案。在模型被赋予任务但没有解决该任务的先例时，这种基本技术被称为“零样本提示”。这种技术是为单步代理设计的，这些代理执行任务而不进行中间推理，尤其是在早期模型中。

response = ollama.chat(model=llm, messages=[ {'role':'user', 'content':q} ]) print(response['message']['content']) 

2. ReAct (Reason+Act) – 推理和行动的结合。模型不仅思考问题，而且根据其推理采取行动。因此，它更具互动性，因为模型在推理步骤和行动之间交替，迭代地改进其方法。基本上，它是一个思想-行动-观察的循环。用于更复杂的任务，如搜索网络和基于发现做出决策，通常设计用于多步代理，这些代理执行一系列推理步骤和行动以得出最终结果。它们可以将复杂任务分解成更小、更易于管理的部分，并逐步构建。

个人而言，我真的很喜欢 ReAct 代理，因为我觉得它们更类似于人类，因为它们“乱搞一气，找出答案”就像我们一样。

prompt = ''' To solve the task, you must plan forward to proceed in a series of steps, in a cycle of 'Thought:', 'Action:', and 'Observation:' sequences. At each step, in the 'Thought:' sequence, you should first explain your reasoning towards solving the task, then the tools that you want to use. Then in the 'Action:' sequence, you shold use one of your tools. During each intermediate step, you can use 'Observation:' field to save whatever important information you will use as input for the next step. ''' response = ollama.chat(model=llm, messages=[ {'role':'user', 'content':q+" "+prompt} ]) print(response['message']['content']) 

3. 思维链（CoT） – 一种涉及生成达到结论过程的推理模式。模型通过明确列出导致最终答案的逻辑步骤来“大声思考”。基本上，它是一个没有反馈的计划。CoT 最常用于高级任务，如解决可能需要逐步推理的数学问题，并且通常设计用于多步智能体。

prompt = '''Let’s think step by step.''' response = ollama.chat(model=llm, messages=[ {'role':'user', 'content':q+" "+prompt} ]) print(response['message']['content']) 

从思维链衍生出几种其他新的提示方法。

4. 反思提示，在初始 CoT 推理之上添加一个迭代自我检查或自我纠正阶段，其中模型审查和批评自己的输出（发现错误、识别差距、提出改进）。

cot_answer = response['message']['content'] response = ollama.chat(model=llm, messages=[ {'role':'user', 'content': f'''Here was your original answer: {cot_answer} Now reflect on whether it was correct or if it was the best approach. If not, correct your reasoning and answer.'''} ]) print(response['message']['content']) 

5. 思维树（ToT） 将 CoT 推广到树的形式，同时探索多个推理链。

num_branches = 3 prompt = f''' You will think of multiple reasoning paths (thought branches). For each path, write your reasoning and final answer. After exploring {num_branches} different thoughts, pick the best final answer and explain why. ''' response = ollama.chat(model=llm, messages=[ {'role':'user', 'content': f"Task: {q} {prompt}"} ]) print(response['message']['content']) 

6. 思维图（GoT） 将 CoT 推广到图的形式，同时考虑相互连接的分支。

class GoT: def __init__(self, question): self.question = question self.nodes = {} # node_id: text self.edges = [] # (from_node, to_node, relation) self.counter = 1 def add_node(self, text): node_id = f"Thought{self.counter}" self.nodes[node_id] = text self.counter += 1 return node_id def add_edge(self, from_node, to_node, relation): self.edges.append((from_node, to_node, relation)) def show(self): print(" --- Current Thoughts ---") for node_id, text in self.nodes.items(): print(f"{node_id}: {text} ") print("--- Connections ---") for f, t, r in self.edges: print(f"{f} --[{r}]--> {t}") print(" ") def expand_thought(self, node_id): prompt = f""" You are reasoning about the task: {self.question} Here is a previous thought node ({node_id}):"""{self.nodes[node_id]}""" Please provide a refinement, an alternative viewpoint, or a related thought that connects to this node. Label your new thought clearly, and explain its relation to the previous one. """ response = ollama.chat(model=llm, messages=[{'role':'user', 'content':prompt}]) return response['message']['content'] Start Graph g = GoT(q) Get initial thought response = ollama.chat(model=llm, messages=[ {'role':'user', 'content':q} ]) n1 = g.add_node(response['message']['content']) Expand initial thought with some refinements refinements = 1 for _ in range(refinements): expansion = g.expand_thought(n1) n_new = g.add_node(expansion) g.add_edge(n1, n_new, "expansion") g.show() Final Answer prompt = f''' Here are the reasoning thoughts so far: {chr(10).join([f"{k}: {v}" for k,v in g.nodes.items()])} Based on these, select the best reasoning and final answer for the task: {q} Explain your choice. ''' response = ollama.chat(model=llm, messages=[ {'role':'user', 'content':q} ]) print(response['message']['content']) 

7. 思维程序（PoT），专注于编程，其中的推理通过可执行代码片段进行。

import re def extract_python_code(text): match = re.search(r"python(.*?)py", text, re.DOTALL) if match: return match.group(1).strip() return None def sandbox_exec(code): Create a minimal sandbox with safety limitation allowed_builtins = {'abs', 'min', 'max', 'pow', 'round'} safe_globals = safe_locals = {} exec(code, safe_globals, safe_locals) return safe_locals.get('result', None) prompt = ''' Write a short Python program that calculates the answer and assigns it to a variable named 'result'. Return only the code enclosed in triple backticks with 'python' (python ... py). ''' response = ollama.chat(model=llm, messages=[ {'role':'user', 'content': f"Task: {q} {prompt}"} ]) print(response['message']['content']) sandbox_exec(code=extract_python_code(text=response['message']['content'])) 

本文已作为教程回顾了 AI 智能体所有主要的提示技术。没有单一的“**”提示技术，因为它在很大程度上取决于任务和所需推理的复杂性。

例如，简单的任务，如摘要和翻译，可以通过 Zero-Shot/Regular 提示轻松完成，而 CoT 对于数学和逻辑任务效果良好。另一方面，带有工具的智能体通常使用 ReAct 模式创建。此外，反思在从错误或迭代改进结果时最为合适，如游戏。

在复杂任务的通用性方面，PoT 是真正的赢家，因为它完全基于代码生成和执行。实际上，PoT 智能体在多个办公任务中正逐渐接近取代人类。

我相信，在不久的将来，提示不仅将关于“你对模型说了什么”，还将关于协调人类意图、机器推理和外部行动之间的交互式循环。

本文的完整代码：GitHub

希望您喜欢它！欢迎联系我提问、反馈或只是分享您有趣的项目。

👉 让我们连接 👈

[^((所有图片均为作者所有，除非另有注明)] [^(注明))]