ReAct

ReAct = Reasoning + Acting

形成一种Thought -> Action -> Observation -> Thought的循环。

• Thought (思考)： 这是智能体的“内心独白”。它会分析当前情况、分解任务、制定下一步计划，或者反 思上一步的结果。

• Action (行动)： 这是智能体决定采取的具体动作，通常是调用一个外部工具，例如 Search['华为最新 款手机'] 。

• Observation (观察)： 这是执行 Action 后从外部工具返回的结果，例如搜索结果的摘要或API的返回 值。

工具的定义

• name
• description
• exec_logic

ReAct 智能体行为不符合预期时，可以从以下几个方面入手进行调试：

• 检查完整的提示词：在每次调用 LLM 之前，将最终格式化好的、包含所有历史记录的完整提示词打印 出来。这是追溯 LLM 决策源头的最直接方式。

• 分析原始输出：当输出解析失败时（例如，正则表达式没有匹配到 Action ），务必将 LLM 返回的原 始、未经处理的文本打印出来。这能帮助你判断是 LLM 没有遵循格式，还是你的解析逻辑有误。

• 验证工具的输入与输出：检查智能体生成的 tool_input 是否是工具函数所期望的格式，同时也要确 保工具返回的 observation 格式是智能体可以理解和处理的。

• 调整提示词中的示例 (Few-shot Prompting)：如果模型频繁出错，可以在提示词中加入一两个完整的 “Thought-Action-Observation”成功案例，通过示例来引导模型更好地遵循你的指令。 尝试不同的模型或参数：更换一个能力更强的模型，或者调整 temperature 参数（通常设为0以保证 输出的确定性），有时能直接解决问题。

提示

检查：

1. tool的输入和tool的输出
2. 提示词的完善和few-shot prompts

Plan and Solve

笔记

👉 ReAct = 边想边做（交替进行）

👉 Plan-and-Solve = 先规划再执行（分阶段）

AutoGen

AutoGen 的设计哲学是"以对话驱动协作"

其本身通过创建多个有明确分工的智能体。每个智能体通过system_message获得一个独特的“人设”，这决定了它的知识边界、行为方式和发言风格

它用“角色扮演”解决了分工问题，用“对话”解决了协作流程问题，最后用一套强大的“事件驱动架构”确保了这套协作机制能在计算机世界里高效运行。

cosplay + groupchat 的方式（通过UserProxy来物理执行了，因为LLM主动调用模型一定的风险的）

弊端：可能出现不同助手之间的对话循环，调试因为对话的冗余叠加，导致找寻bug十分困难。

Memory && RAG

如果没有记忆，那么每次Model收到的用户请求都是无状态，Model不知道用户在这一轮对话到底要去做什么事情。

贡献者: paiad