LangChain 核心模块 Agent（构建复杂应用的代理系统）

ReAct: Reasoning + Acting

ReAct Prompt 由 few-shot task-solving trajectories 组成，包括人工编写的文本推理过程和动作，以及对
动作的环境观察.

ReAct Prompt 设计直观灵活，并在各种任务上实现了最先进的少样本性能，从QA到在线购物

ReAct 在获取新数据方面的优势（HotpotQA 示例）

Reason-only baseline （即思维链）由于没有与外部环境接触以获取和更新知识，而且必须依赖有限的内部知识，因此容易受
到错误信息（红色标记）的影响。
Act-only baseline 缺乏推理能力方面问题，在这种情况下，尽管具有与ReAct相同的行动和观察，但无法综合得出最终答案。
相比之下，ReAct通过可解释且真实可信的轨迹来解决任务。

ReAct 在微调方面的优势

使用 ReAct 提示轨迹在 HotpotQA 上进行初始微调的结果表明：
（1）ReAct 是各种模型规模中最好的微调方式；
（2）ReAct 微调的较小模型胜过了被提示（prompted）的更大模型。

LangChain Agents

代理的核心思想是使用LLM来选择一系列要执行的动作。

• 在链式结构（Chains）中，一系列动作执行是硬编码的（ SequentialChain 和 RouterChain 也仅实现了面向过程）。
• 在代理（Agents）中，语言模型被用作推理引擎，以确定应该采取哪些动作以及执行顺序。
  

本文来自博客园，作者：nmblr，转载请注明原文链接：https://www.cnblogs.com/nmblr/p/18712056