第2章 从 CoT 到 ReAct:智能体认知架构的范式革命

2.1 Chain-of-Thought:认知科学与概率路径的再思考
2.1.1 超越提示工程:CoT的生成式概率本质
  • 严格数学表述(ICLR 2024最佳论文扩展):

  • 反事实验证机制(工业界新实践):

    # 伪代码:CoT自我验证模块(Meta Llama Stack, 2024)
    def cot_with_verification(question, llm):
        draft_answer = llm.generate(f"Q: {question}\nLet's think step by step:")
        verification_prompt = f"""
        CRITIQUE the reasoning above:
        1. Check factual claims against known knowledge base
        2. Identify logical leaps between steps
        3. Propose counter-evidence if exists
        """
        critique = llm.generate(verificatio
AnomalyAgent:零样本异常检测的智能体范式与实践 异常检测是识别数据中偏离预期模式或行为的关键技术,其核心原理在于通过算法模型区分正常与异常状态。传统方法通常依赖大量标注数据进行监督训练,面临数据饥渴和泛化能力弱的挑战。随着大语言模型(LLM)和视觉-语言模型(VLM)等基础模型的发展,一种新的技术范式——智能体(Agent)——为异常检测带来了变革。智能体通过感知、思考、行动与反馈的循环,能够利用已有的通用知识进行推理,从而在无需针对新任务进行专门训练(Training-Free)的情况下,实现强大的零样本(Zero-Shot)和少样本(Few-Shot 阅读详情

相关推荐

从‘闷头做事’到‘边想边做’:用ReAct范式让大模型在ALFWorld游戏里学会高效探索

本文探讨了ReAct范式如何让大语言模型在ALFWorld等复杂任务中实现'边思考边行动'的高效探索。通过结合推理与行动,ReAct显著提升了任务成功率(达71%),并有效克服了传统方法的三大困境。文章详细解析了ReAct的核心机制、性能优势及实践技巧,为AI智能体开发提供了重要参考。

weixin_29082143的博客 204

AI工程演进:从Prompt到Loop的三大范式跃迁

AI工程领域正经历从Prompt Engineering到Loop Engineering的范式演进,这一过程重塑了人机协作方式。Prompt Engineering作为起点,通过结构化提示词设计实现输出控制与推理引导,其核心在于激活大语言模型的In-Context Learning能力。随着技术发展,Harness Engineering构建了包含上下文管理、工具调用和安全策略的智能体运行环境,而Loop Engineering则实现了目标驱动的自主决策循环。这些技术突破在客服机器人、代码审查等场景展现出

383

大模型智能体工具调用实战:从原理到架构的完整指南

大语言模型(LLM)在生成文本方面表现出色,但其知识受限于训练数据,无法获取实时信息或执行具体操作。为了解决这一局限性,业界提出了让大模型主动调用外部工具(如API、数据库、搜索引擎)的技术范式,即智能体(Agent)技术。其核心原理是通过“感知-思考-行动”循环,使模型能够规划、执行并迭代任务。这项技术的核心价值在于突破了大模型的静态知识边界,使其能与真实世界进行可信、可控的交互,从而在数据分析、自动化客服、智能助手等应用场景中发挥巨大作用。本文聚焦于Agentic Tool Use(智能体式工具使用)这

weixin_33782386的博客 422

ReAct框架:大语言模型推理与行动融合的技术解析

大语言模型(LLM)通过推理与行动的结合实现了智能决策能力的突破。ReAct框架作为这一领域的代表性技术,通过'思考-行动-观察'的循环机制,使LLM能够动态调整问题解决策略。该框架的核心价值在于将传统AI系统中分离的决策与执行模块有机融合,显著提升了系统在动态环境中的适应性和灵活性。在技术实现上,ReAct结合了推理引擎、工具集和记忆系统三大组件,通过LangChain等开发框架可构建实用智能体。典型应用场景包括客户服务和金融分析,其中工具调用和提示工程是关键实践要点。随着与函数调用的融合和多智能体协作系

weixin_31102231的博客 118

GLM-5V-Turbo:迈向原生多模态智能体的基础模型架构解析

多模态大模型通过融合视觉、语言等多源信息,实现了对世界的深度感知与理解,其核心原理在于跨模态特征对齐与统一表征学习。这一技术显著提升了AI在图像描述、视觉问答等任务上的性能,为更复杂的交互场景奠定了基础。然而,从感知到行动的跨越,需要模型具备规划、工具调用和环境交互等原生智能体能力,这正是当前AI应用落地的关键瓶颈。GLM-5V-Turbo项目正是瞄准了这一挑战,旨在构建一个为多模态智能体而生的原生基础模型。该模型致力于将ReAct(推理-行动)范式、工具使用意识及状态跟踪能力内化于架构之中,从而在机器人操

aodiyi6351的博客 458

从Transformer到智能体:大模型面试10大核心问题深度解析

Transformer架构作为现代大语言模型的基石,其核心的自注意力机制通过并行计算和长距离依赖建模,彻底革新了序列处理范式。这一原理催生了预训练-微调的技术路径,使得模型能够从海量无标注数据中学习通用表示,并通过指令微调与人类反馈强化学习(RLHF)实现与人类价值观的对齐。在工程实践中,参数高效微调技术(如LoRA)和推理优化(如量化与KV Cache)大幅降低了应用门槛。最终,这些技术汇聚于智能体(Agent)和检索增强生成(RAG)等前沿应用场景,使大模型从静态的知识库演变为能感知、规划与行动的智能系

weixin_30776545的博客 389

ReACT LLM Agent:面向生产落地的推理-行动-反馈闭环架构

大语言模型(LLM)在真实业务中常因幻觉、工具调用不可控、结果不可验证而难以规模化应用。ReACT作为一种工程化Agent架构,通过显式的推理-行动-反馈循环(Reasoning-Act-Critique-Tool Feedback),将LLM的文本生成能力与结构化工具执行、强类型契约、多层校验机制深度耦合,显著提升任务可靠性与可调试性。其核心价值在于将‘能说会道’的模型转化为‘能做对事’的系统组件,广泛适用于金融风控、电商监控、政务问答等需多源工具协同与高确定性输出的场景。本文聚焦ReACT在产线中的契约

402

26. AI-大语言模型应用发展

RAG、MCP、Agent的爆发‌2017年具有革命性的Transformer架构开始,解决了早期模型(诸如循环神经网络(RNN)和长短期记忆网络(LSTM))在处理长距离依赖和顺序处理时存在的困难性,通过自注意力机制重新定义了自然语言处理(NLP)。2018-2020年,预训练Transformer模型时代,其特点是预训练模型的兴起以及对模型规模前所未有的关注。这一时期出现了两个具有影响力的模型家族:BERT和GPT,它们展示了大规模预训练和微调范式的强大力量。

princemilo的博客 835

人工智能智能体研究综述:从理论架构到前沿应用

AI Agent,即人工智能智能体,是指能够在特定环境中自主感知、推理、决策并执行行动以实现特定目标的智能系统[1]。自主性反应性主动性(Pro-activeness)和社会性fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;AI Agent核心特征自主性 Autonomy反应性 Reactivity主动性 Pro-activeness。

nmdbbzcl的博客 905

CoT、ReAct与Self-Ask:三种推理提示词模式的深度对比与工程实践

为便于对比,我们给出三个模式的统一描述框架:设用户输入为x,模型需要生成最终答案y。推理过程表示为一系列中间状态。CoT,其中每个s_t是一段自然语言推理文本。无外部交互。输出 y = s_T(或基于s_T的最终答案)。Self-Asks_t被强制拆分为成对的 (Question_t, Answer_t)。其中 Question_t 由模型根据已有信息生成,Answer_t 则针对该问题生成。结构上强制“追问-回答”交替,直到模型认为足够。最终 y 基于所有 (Q,A) 对综合得出。ReAct。

2201_76125393的博客 41

从大模型到自主决策:AI Agent的核心进化路径

在深入探讨AI Agent的技术细节之前,我们首先需要明确:到底什么是AI Agent?在人工智能和计算机科学领域,Agent(智能体)通常被定义为能够感知环境、做出决策并采取行动的实体。这个定义虽然简单,但涵盖了Agent概念的核心要素。让我们引用人工智能领域的经典教材《人工智能:一种现代方法》(Russell & Norvig)中的定义:“智能体是任何可以被视为通过传感器感知其环境,并通过执行器对该环境采取行动的实体。一个软件程序,如聊天机器人、推荐系统或自动交易程序。

AI开发架构师 307

从零搭建Arduino仿真开发环境:SimulIDE与IDE配置全攻略

本文详细介绍了如何从零搭建Arduino仿真开发环境,涵盖SimulIDE与Arduino IDE的配置全流程。通过仿真模拟环境,开发者可以零成本试错,快速验证电路设计和程序逻辑,特别适合初学者和便携开发需求。文章提供了软件安装、环境配置、项目实战及问题排查的完整指南,帮助读者高效掌握Arduino仿真开发技巧。

weixin_29284657的博客 526

医疗大模型实战——从零构建MedicalGPT全流程解析

本文详细解析了从零构建医疗大模型MedicalGPT的全流程实战。基于Qwen-7B模型与约195万条中文医疗数据,完整复现了增量预训练、监督微调与偏好对齐三大核心环节,并分享了如何在有限硬件资源下实现高效训练与部署,为开发者提供了可复现的医疗AI项目实战指南。

weixin_29193259的博客 558

H3C无线控制器AC与第三方认证系统集成实现企业级Portal短信认证方案

本文详细阐述了如何将H3C无线控制器(AC)与第三方认证系统集成,构建企业级Portal短信认证方案。该方案通过手机号作为临时凭证,实现了访客网络的实名追溯、权限控制与专业体验。文章深入解析了方案原理、H3C AC的关键配置步骤、第三方系统对接要点及短信网关选型避坑指南,为企业提升网络安全管理与访客服务质量提供了完整、可行的实战指导。

a3b4c5的博客 196

H3C设备VRF配置实战:5步搞定多业务网络隔离(附排错技巧)

本文详细介绍了在H3C设备上配置VRF(虚拟路由转发)实现多业务网络隔离的实战方法。通过五步配置流程,从创建VPN-instance、绑定接口到配置独立路由表,帮助网络工程师在单台设备上构建逻辑隔离的企业级网络,并分享了高级路由配置与常见排错技巧。

gold8的专栏 942

推荐系统中召回率Recall计算方式附代码

Recall(召回率)是指在所有实际有交互的用户 - 物品对中,推荐系统成功预测出的比例。具体来说,设所有有交互的用户 - 物品对为S,推荐系统预测出的用户 - 物品对为T,则Recall的计算公式为:

优快云 精品推荐 1843

DMDiff(2025):一种基于SAR光学数据融合的双分支多模态条件引导扩散模型-k学长深度学习专栏

DMDiff提出了一种基于扩散模型的多模态遥感图像去云方法,通过双分支网络分别提取SAR的结构信息和光学图像的光谱特征,再利用跨模态注意力机制实现特征融合。创新性地采用IAP策略直接预测无云图像而非噪声,有效解决了传统方法在遥感图像处理中易出现的光谱失真问题。实验表明该方法在PSNR等指标上显著优于现有技术,但存在计算量大、生成速度慢等不足。未来可结合加速采样策略和几何约束进一步优化。

426

SAP 集成泛微 OA Open API 新建流程申请接口

《SAP ERP 与泛微 OA 的系统集成》系列文章。泛微 Open API 是基于 HTTPS 的 Restful 接口,上篇文章,我已经完成了调用业务接口之前的准备工作,这篇文章我以新建流程申请这个系统集成最重要的接口为例,讲解接口设计、泛微 API 调用的过程、遇到的问题、解决的办法。

SAP李斌,本人承诺所有原创文章均不使用任何AI生成技术,请大家放心阅读。 3558

基于THUCNews数据集bert bert_wwm的新闻文本分类

基于THUCNews数据集bert bert_wwm的新闻文本分类

985

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

上一篇: 第 1 章 绪论:智能体的必要性与工程挑战
下一篇: 第3章 近年关键进展综述:Reflexion、强化学习与层次化规划
VectorShift
博客等级 码龄1年 1844粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值