【Datawhale2604】Hello-agents task01 智能体经典范式构建

系列文章目录

• task01 智能体经典范式构建

---

文章目录

• 系列文章目录
• 前言
• 一、ReAct
• 二、Plan-and-Solve
• [三、 Reflection](#三、 Reflection)
• 总结

---

前言

• Datawhale Hello-Agents 教程

---

一、ReAct

ReAct 本质是一个闭环控制系统。

• LLM 是控制器，tool 是执行器，环境是被控对象，Observation 是传感器反馈。

环节	控制论对应	作用	教材代码体现
Thought	状态估计+策略计算	基于历史观测，决定下一步动作	response_text 中的思考段落
Action	控制指令下发	调用具体工具（Search/Calculator等）	Action: Search[...]
Observation	传感器反馈	返回环境真实状态，修正模型认知	tool_function(tool_input) 返回值
History	状态记忆寄存器	累积 (a, o) 对，维持上下文连续性	self.history.append(...)

• 用 Mermaid 看清数据及状态如何在循环中累积：

输出 Thought+Action
Finish 答案
ToolName input
返回 Observation
拼接为新 Prompt
用户问题
初始化 Prompt
调用 LLM
正则解析
返回最终结果
调用 ToolExecutor
更新 self.history

---

二、Plan-and-Solve

---

三、 Reflection

• Reflection 不是"多调一次 LLM"，而是认知范式的根本切换。

范式	认知模式	人类类比	核心缺陷
Reflection	生成-评审-重构闭环	写论文→导师批注→修改二稿→终稿	成本高，但产出质量呈阶梯式跃升

1. 角色解耦：LLM 不擅长"自己检查自己"。Reflection 强制将模型拆分为 Generator 创作者 和 Critic 评审员，利用不同 Prompt 激活不同的参数子空间。
2. 质量驱动 vs 进度驱动：前两种范式追求"完成任务"，Reflection 追求"达到质量标准"。它把任务从开环控制（Open-loop）升级为带监督的闭环控制（Closed-loop with Supervisor）。
3. 收敛思维：人类会判断什么时候该停止再修改了。Reflection 必须内置收敛判定逻辑，否则会变成无限内耗。

Iteration_Loop
输入任务 Task
调用 Generator 生成 O_0
存入 Memory，触发 Critic
生成反馈 F_i
未达到收敛标准
更新 O_{i+1}，存入 Memory
满足收敛条件 (e.g., 无需改进/分数≥阈值/达最大轮次)
输出最终方案 O_final
INIT
EXEC
REFLECT
CHECK_SCORE
REFINE
TERMINATE

---

总结