AI 时代 Agent 思考模式的演进

一、Cot 思维链模式

思维链是增强LLM大模型处理复杂推理任务能力的关键技术。其核心在于引导模型在给出最终答案前，先生成一系列结构化的中间推理步骤（如同模拟人类解决问题时的逐步思考）。

二、ReAct 推理&行动模式

Cot 思维链模式虽然增强了LLM模型的能力，但仅局限于内部知识，知识的陈旧就可能导致产生幻觉和知识的错误传播。ReAct （Reasoning And Action） 通过 推理 和 行动 相结合，有效的解决了该问题。ReAct 模式允许模型在推理过程中调用外部工具与环境互动，从而获取最新信息、执行具体操作，并根据反馈调整后续步骤。其核心运作机制可以总结为：思考 -> 行动 -> 观察 的迭代循环。

• 思考： 模型会基于当前任务目标和已有的观察信息，进行逻辑推理和规划，从而决定下一步执行什么动作（例如：调用哪个工具、查询什么信息）来达成最终目标。
• 行动： 根据“思考”阶段制定的计划，模型生成一个具体的行动指令。这个指令可能是调用外部API、执行代码、查询数据库，或者与用户进行交互等。
• 观察： 模型接收到“行动”执行后从外部获取到的反馈信息。这些观察结果就会作为下一轮的“思考”输入，帮助模型评估当前进展，修正错误，并迭代下一轮计划，直到任务完成。

三、Plan-and-Execute模式

Plan-and-Execute 是对ReAct模式的扩展和优化，它将Agent工作流程划分为两个主要阶段：

• 规划阶段： Agent 接收到最终任务目标后，会对目标进行整体分析和理解，然后生成一个更高层次的计划，将原始任务分解成一系列更小更易于管理的子任务或步骤。这种分解有利于减少每个子任务所需的上下文长度，这个计划通常是一个有序的行动序列，指明了在达到最终目的前需要完成哪些步骤。规划阶段生成的计划可以反馈给用户，让用户进行修改和确认。
• 执行阶段： 计划制定完成后，Agent 进入执行阶段，在执行阶段，Agent会按照指令顺序，逐步执行每个子任务，在子任务执行时，会按照ReAct模式来处理每个子任务的具体细节，例如：调用工具、外部联网等具体步骤。在执行过程中，Agent会监控每个子任务的完成情况，如果子任务执行成功，则会继续执行下一个，若中途失败或预期外情况，Agent可能会重新评估当前执行计划，对计划进行动态调整 或 返回规划阶段进行重新规划。此阶段也可以引入用户参与，当执行超出预期时让用户对子任务的结果进行反馈，提出意见。

与标准的ReAct模式对比，Plan-and-Execute主要核心优势在于：

• 结构化与上下文优化： 通过提前规划将复杂任务拆解成小目标，不仅使 Agent 行为更有条理，还有效减少了执行各子任务时的上下文长度，提升了处理长链条任务的效率和稳定性。
• 提升鲁棒性： 将大问题分解为小问题，降低了单步决策的复杂性。如果某个子任务失败，影响范围相对可控，也更容易进行针对性的调整。
• 增强可解释性与人机协同能力： 清晰的执行计划和分布执行，使得Agent 的行为更容易让人理解和调试。最重要的是，计划制定和执行阶段的人工涉入，增强了Agent达到最终结果的稳定性。

文章引用：https://zhuanlan.zhihu.com/p/1919338285160965135