教程链接

第四章 智能体经典范式构建 - 学习笔记

一、本章核心目标

• 理解智能体的核心能力：将大语言模型（LLM）的推理能力与外部世界（工具、API等）联通，自主拆解任务、调用工具达成目标。
• 掌握三种经典智能体范式的构建原理与实现：ReAct、Plan-and-Solve、Reflection（本章重点前两者）。
• 理解“重复造轮子”的意义：掌握底层设计机制，应对工程挑战，从“使用者”转变为“创造者”。

二、环境准备与基础工具定义

1. 基础概念

• 开发依赖：Python 3.10+，核心库为openai（LLM交互）和python-dotenv（环境变量管理）。
• 环境配置：通过.env文件统一管理模型ID、API密钥、服务地址等敏感信息，避免硬编码。
• LLM客户端封装：将LLM调用细节（如流式响应处理、错误捕获）封装为HelloAgentsLLM类，简化后续智能体逻辑。

2. 关键原理

• 配置文件设计：.env文件分离配置与代码，提高灵活性（支持切换OpenAI官方服务或兼容接口的第三方服务）。
• LLM客户端核心功能：think方法接收消息列表，调用LLM并返回流式响应结果，包含错误处理机制。

3. 注意事项（坑）

• 环境变量缺失会直接导致客户端初始化失败，需确保.env文件中LLM_MODEL_ID、LLM_API_KEY、LLM_BASE_URL均正确配置。
• 流式响应处理需注意空内容（chunk.choices[0].delta.content可能为None），避免拼接错误。

三、ReAct范式（Reasoning and Acting）

1. 基础概念

• 核心思想：模仿人类“思考-行动-观察”的循环，将推理（Reasoning）与行动（Acting）紧密结合，动态调整任务处理过程。
• 三要素：
  • Thought：智能体的“内心独白”，用于分析情况、规划下一步。
  • Action：调用外部工具的具体操作（如Search[查询内容]）。
  • Observation：工具执行Action后的返回结果，作为下一轮思考的输入。

2. 关键原理

• 工作流程：Thought -> Action -> Observation循环，不断积累上下文，直至任务完成。
  • 形式化表达：$({\text{th}}_t,a_t)=\pi (q,(a_1,o_1),\dots ,(a_{t-1},o_{t-1}))$（LLM生成思考与行动）；$o_t=T(a_t)$（工具返回观察结果）。
• 工具设计：
  • 核心要素：名称（唯一标识）、描述（LLM判断何时使用的依据）、执行逻辑（实际功能实现）。
  • 工具管理器（ToolExecutor）：统一注册、调度工具，提供工具列表描述（供LLM参考）。
• 智能体实现：
  • 系统提示词：严格定义Thought/Action格式（如Action: Search[输入]或Action: Finish[答案]），确保LLM输出可解析。
  • 核心循环：格式化提示词→调用LLM→解析Thought/Action→执行工具→整合Observation到历史，重复至任务完成或达最大步数。
  • 解析器：通过正则表达式提取Thought和Action，分离工具名称与输入。

3. 注意事项（坑）

• 对LLM能力强依赖：LLM若无法遵循格式（如未生成Action字段），会导致流程中断。
• 提示词脆弱性：模板格式微小变动可能影响LLM输出，需严格维护格式规范。
• 效率问题：多步骤任务需多次调用LLM，耗时且成本高。
• 可能陷入循环：需设置max_steps限制最大循环次数，避免无限循环。
• 调试技巧：
  • 打印完整提示词与LLM原始输出，定位格式错误或推理偏差。
  • 验证工具输入输出格式，确保Observation可被LLM理解。
  • 必要时添加示例（Few-shot Prompting）引导LLM遵循格式。

四、Plan-and-Solve范式

1. 基础概念

• 核心思想：“先规划，后执行”，将任务处理分为两个阶段，适用于结构化、多步骤的复杂任务。
• 两阶段划分：
  • 规划阶段（Planning Phase）：LLM生成完整的分步骤行动计划。
  • 执行阶段（Solving Phase）：严格按计划逐步执行，直至完成所有步骤。

2. 关键原理

• 工作流程：
  • 规划阶段：$P={\pi }_{\text{plan}}(q)$（LLM根据问题生成计划$P=(p_1,p_2,\dots ,p_n)$）。
  • 执行阶段：$s_i={\pi }_{\text{solve}}(q,P,(s_1,\dots ,s_{i-1}))$（按计划步骤依次执行，依赖前序结果）。
• 适用场景：多步数学题、报告撰写（需整合多信息源）、代码生成（需先设计结构）等结构性任务。

3. 注意事项（坑）

• 计划合理性依赖LLM：若初始计划存在疏漏（如步骤缺失或错误），执行阶段会持续偏离目标。
• 灵活性差：计划生成后难以动态调整，不适合需要实时反馈修正的任务（如实时信息查询）。