-
最简单的agent可以粗略地理解为llm_client+tool_executor，更有效的agent则需要memory模块等其他组件，其中tool_executor要实现的一些方法包括：注册、获取可用工具的信息、获取对应工具的函数等。（我需要加深对.get()函数的运用和理解）智能体需要设置最大步数，防止陷入死循环或者token彻底燃烧🔥完了。
-
react包括思考thought、行动action、观察observation三部分：thought是llm的思考规划过程，action实际上是具体的下一步行动计划（调用的工具+传入的参数），observation则是调用工具得到的结果（“工具不存在”或工具函数返回的结果）
-
react提示词模版需要包括：1）角色定义： 设定了LLM的角色。 2）工具清单 ({tools})： 告知LLM它有哪些可用的“手脚”。 3）格式规约 (Thought/Action)： 这是最重要的部分，它强制LLM的输出具有结构性，使我们能通过代码精确解析其意图。 4）动态上下文 ({question}/{history})： 将用户的原始问题和不断累积的交互历史注入，让LLM基于完整的上下文进行决策。知道了交互历史（action+observation），llm_client才知道任务的进度。
-
Plan-and-Solve 范式适合结构性强、可以被清晰分解的任务。 比如解数学应用题、汇总多种材料整合数据撰写报告、规划旅行计划、生成给定功能的代码等
-
reflection范式：执行、反思、优化。优点是：自我审阅、自我优化，能大大提高模型对复杂任务的成功率和交付质量。缺点：会使得历史上下文变得特别长，更需要高效的记忆模块；对大模型的调用次数会大量增加，token花费和时间花费会大大增加。是一种用时间换性能的策略。由于幻觉问题的存在，reflection范式能够一定程度上缓解幻觉问题（模型在反思过程中会根据交互历史更好地对任务进度、失败原因等有更全面的了解）。适用场景：较为复杂的任务场景，同时需要较高的交付质量。
react范式智能体：
调用网络搜索回答“谁是现任美国总统”
Plan-and-Solve 范式智能体：
解答数学应用题
reflection范式智能体：
添加图片注释，不超过 140 字（可选）
添加图片注释，不超过 140 字（可选）
