- task01 智能体经典范式构建
文章目录
- 系列文章目录
- 前言
- 一、ReAct
- 二、Plan-and-Solve
- 三、 Reflection
- 总结
- Datawhale Hello-Agents 教程
ReAct 本质是一个闭环控制系统。
LLM是控制器，tool是执行器，环境是被控对象，Observation是传感器反馈。
环节 控制论对应 作用 教材代码体现
Thought 状态估计+策略计算 基于历史观测，决定下一步动作
response_text 中的思考段落
Action 控制指令下发 调用具体工具（Search/Calculator等）
Action: Search[…]
Observation 传感器反馈 返回环境真实状态，修正模型认知
tool_function(tool_input) 返回值
History 状态记忆寄存器 累积
(a, o) 对，维持上下文连续性
self.history.append(…)
- 用 Mermaid 看清数据及状态如何在循环中累积：
- Reflection 不是"多调一次 LLM"，而是认知范式的根本切换。
范式 认知模式 人类类比 核心缺陷
Reflection
生成-评审-重构闭环 写论文→导师批注→修改二稿→终稿 成本高，但产出质量呈阶梯式跃升
- 角色解耦：LLM 不擅长"自己检查自己"。
Reflection强制将模型拆分为 Generator 创作者 和 Critic 评审员，利用不同 Prompt 激活不同的参数子空间。 - 质量驱动 vs 进度驱动：前两种范式追求"完成任务"，
Reflection追求"达到质量标准"。它把任务从开环控制（Open-loop）升级为带监督的闭环控制（Closed-loop with Supervisor）。 - 收敛思维：人类会判断什么时候该停止再修改了。
Reflection必须内置收敛判定逻辑，否则会变成无限内耗。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/267188.html