note
- REWOO的缺陷在于，非常依赖于Planner的规划能力，如果规划有误，则后续所有的执行都会出现错误。尤其是对于复杂任务，很难在初始阶段就制定合理且完备的计划清单。因此，如果要提升Agent的准确率，需要有规划调整机制，即在执行的过程中，根据环境反馈，不断调整计划。
- ReWOO其实就是Plan-and-execute agents
文章目录
一、rewoo模式
论文：《ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models》
ReWOO 的工作流程包括三个主要部分：
计划者（Planner）：将任务分解并制定包含多个相互关联计划的蓝图，每个计划都分配给工作者执行。
工作者（Worker）：根据计划者提供的蓝图，使用外部工具获取真实证据。
求解器（Solver）：将所有计划和证据结合起来，形成对原始任务的最终解决方案。
二、创新点
ReWOO 的创新点主要包括以下几个方面：
分离推理与观察：ReWOO 将推理过程与使用外部工具的过程分开，避免了在依赖观察的推理中反复提示的冗余问题，从而大幅减少了 Token 的消耗。
模块化设计：ReWOO 使用模块化框架，通过计划者、工作者和求解器的分工合作，提高了系统的扩展性和效率。
效率提升：实验结果表明，这种方法不仅提升了准确率，还显著降低了令牌消耗。
工具调用的鲁棒性：ReWOO 在工具失效的情况下表现出更高的鲁棒性，这意味着即使某些工具无法返回有效证据，ReWOO 仍能通过合理的计划生成和证据整合，提供有效的解决方案。
左侧是ReAct方法，当User输入Task后，把上下文Context和可能的样本Example输入到LLM中，LLM会调用一个目标工具Tool，从而产生想法Thought，行动Action，观察Observation。由于拆解后的下一次循环也需要调用LLM，又会调用新的工具Tool，产生新的Thought，Action，Observation。如果这个步骤变得很长，就会导致巨大的重复计算和开销。
右侧ReWOO的方法，计划器Planner把任务进行分解，分解的依据是它们内部哪些用同类Tool，就把它分成同一类。在最开始，依旧是User输入Task，模型把上下文Context和Examplar进行输入。这里与先前有所不同的是，输入到Planner中，进行分解，然后调用各自的工具Tool。在得到了所有的Tool的输出后，生成计划结果Plan和线索，放到Solver进行总结，然后生成回答。这个过程只调用了两次LLM。
举个栗子：假设你是一个侦探，需要解决一个谜题：找出谁在图书馆偷了一本珍贵的书。
ReAct模式的类比：
在ReAct模式下，你的思考和行动过程可能是这样的：
你首先想到去图书馆询问管理员（行动）。
管理员告诉你，昨天有一个穿着蓝色衣服的人来过（观察）。
然后你决定去查看图书馆的监控录像（行动）。
你发现录像中确实有一个穿蓝色衣服的人（观察）。
接下来，你决定去询问图书馆的常客，看看他们是否认识这个人（行动）。
常客告诉你，这个人可能是附近的学生（观察）。
最后，你决定去学校调查，最终找到了嫌疑人（行动）。
在ReAct模式中，你的每一步都是基于前一步的观察结果来决定的，这是一个逐步的、迭代的过程。
ReWOO模式的类比：
在ReWOO模式下，你的思考和行动过程可能是这样的：
你首先规划了整个调查过程：
询问图书馆管理员
查看监控录像
询问图书馆常客
去学校调查
然后，你同时（并发）执行所有这些行动：
派助手去询问管理员
自己去查看监控录像
同时，另一个助手去询问常客
最后，你亲自去学校调查
所有行动完成后，你收集所有信息，综合分析，最终找到嫌疑人。
[1] AI大模型实战 | AI Agent设计模式 - REWOO，优化ReAct冗余问题
[3] LLM Agent设计模式 - ReWOO：https://www.yidoo.xyz/llm-agent-design-pattern-rewoo
[4] 《ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models》
[5] On short of "ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models"