Agent的ReAct交互模式

论文地址：https://arxiv.org/abs/2210.03629

对应的 langchain prompt hub地址：https://smith.langchain.com/hub/langchain-ai/react-agent-template?organizationId=cb8a99d8-3b1e-433f-9b84-14c4ab9300cf

在 AI模型的应用开发中，Agent可以通过工具调用与外部进行交互。而通过 ReAct 的方式，可以 让Agent的 中枢——“AI大模型”发挥出更强的能力。在相关的论文中给出了具体的对比指标。

ReAct详解

ReAct 包含了 Reason 与 Act 两个部分，可以理解为就是思维链 + 外部工具调用。

提示词

# 系统提示词
Answer the following questions as best you can. You have access to the following tools:
​
{tools}
​
Use the following format:
​
Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
​
Begin!
​
Question: {input}
Thought:{agent_scratchpad}

示例：

我们将以下变量注入提示词，为大模型提供一个获取股票价格的工具：

instructions = "你是一个股票助手，可以回答股票相关的问题"
​
query = "青岛啤酒和贵州茅台的收盘价哪个贵？"
​
prompt = REACT_PROMPT.format(instructions=instructions,tools=tools,tool_names="get_closing_price",input=query)
​
messages = [{"role": "user", "content": prompt}]

对话过程将如下：

大模型的回复：
```
Thought: Do I need to use a tool? Yes
Action: get_closing_price
Action Input: {"name": "青岛啤酒"}
```
​
人类的回复：Observation: 67.92
​
大模型的回复：
```
Thought: Do I need to use a tool? Yes
Action: get_closing_price
Action Input: {"name": "贵州茅台"}
```
​
人类的回复：Observation: 1488.21
​
大模型的回复：
```
Thought: Do I need to use a tool? No
Final Answer: 贵州茅台的收盘价为1488.21元，青岛啤酒的收盘价为67.92元，因此贵州茅台的收盘价比青岛啤酒
贵。
```
​
最终答案: 贵州茅台的收盘价为1488.21元，青岛啤酒的收盘价为67.92元，因此贵州茅台的收盘价比青岛啤酒贵。

重要字段详解

在大模型了解到问题后，未获取到最终答案时的回复字段如下：

Thought：对问题和需调用工具的思考
Action: 调用的工具名称
Action Input: 调用的工具参数

工具调用结果的字段

Observation: 工具的调用结果

大模型准备给出最终答案时的回复字段

Thought: 对问题和需调用工具的思考（这种情况下思考结果为不需要调用工具）
Final Answer: 最终的答案

ReAct与Function tool的思考

1. 在 agent设计中，在使用工具的时候，可以通过Function tool 或者 ReAct来进行实现。通过Function tool 可以更充分的发挥大模型调用工具的能力。而目前因为大模型能力的提高，在通过提示词实现 ReAct 完成工具调用的时候，基本也不会出现问题。在实际使用中，也可以由Function tool 调用来完成ReAct 中的工具调用功能。

2. 工具调用时参数的问题：在使用ReAct 时，可能会出现很长的思考过程，导致最终响应时间特别长，可以考虑优化或者结合大模型的思考深度去处理。

3. 通过部分数据的微调可以提高大模型在ReAct 场景下的表现效果。