LangChain基础篇 (06)

合集 - AI大模型应用开发(6)

1.LangChain基础篇 (01)02-03 2.LangChain基础篇 (02)02-04 3.LangChain基础篇 (03)02-06 4.LangChain基础篇 (04)02-07 5.LangChain基础篇 (05)02-11

6. LangChain基础篇 (0 6) 02-12

收起

LangChain 核心模块 Agent（构建复杂应用的代理系统）

ReAct: Reasoning + Acting

ReAct Prompt 由 few-shot task-solving trajectories 组成，包括人工编写的文本推理过程和动作，以及对
动作的环境观察.

ReAct Prompt 设计直观灵活，并在各种任务上实现了最先进的少样本性能，从QA到在线购物

---

ReAct 在获取新数据方面的优势（HotpotQA 示例）

Reason-only baseline （即思维链）由于没有与外部环境接触以获取和更新知识，而且必须依赖有限的内部知识，因此容易受
到错误信息（红色标记）的影响。
Act-only baseline 缺乏推理能力方面问题，在这种情况下，尽管具有与ReAct相同的行动和观察，但无法综合得出最终答案。
相比之下，ReAct通过可解释且真实可信的轨迹来解决任务。

ReAct 在微调方面的优势

使用 ReAct 提示轨迹在 HotpotQA 上进行初始微调的结果表明：
（1）ReAct 是各种模型规模中最好的微调方式；
（2）ReAct 微调的较小模型胜过了被提示（prompted）的更大模型。

LangChain Agents

代理的核心思想是使用LLM来选择一系列要执行的动作。

• 在链式结构（Chains）中，一系列动作执行是硬编码的（ SequentialChain 和 RouterChain 也仅实现了面向过程）。
• 在代理（Agents）中，语言模型被用作推理引擎，以确定应该采取哪些动作以及执行顺序。
  

• LangChain 核心模块 Agent（构建复杂应用的代理系统）
•     
•     ReAct 在获取新数据方面的优势（HotpotQA 示例）
•     ReAct 在微调方面的优势
• LangChain Agents

__EOF__

• 本文作者： nmblr
• 本文链接： https://www.cnblogs.com/nmblr/p/18712056
• 关于博主： 评论和私信会在第一时间回复。或者直接私信我。
• 版权声明： 本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
• 声援博主： 如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。

原创作者: nmblr 转载于: https://www.cnblogs.com/nmblr/p/18712056