Agent思维模式 | 评估

Agent思维模式:ReAct、Plan and Execute、Reflection

Agent 处理任务时的不同推理与执行策略

概念 全称 特点
ReAct R easoning A nd Act 边规划、边执行
Plan and Execute - 先规划、后执行
Reflection - 反思机制

ReAct(Reasoning and Act)

ReAct 是 Reasoning and Act 的缩写,本质上是一种**边规划边执行**的混合模式

  • 交替进行 :推理(Reasoning)与行动(Acting)交替执行
  • 即时调整 :根据当前执行结果动态调整后续计划
  • 适合复杂任务 :能够处理需要综合分析和多步骤执行的问题

处理流程

复制代码
用户输入 → LLM分析问题 
    ↓
推理 (Reasoning) → 行动 (Act) → 推理 → 行动 → ...
    ↓
返回结果

Plan and Execute(先规划后执行)

与 ReAct 不同,Plan and Execute 采用**两阶段分离**的策略

  • 阶段一:先完整规划整个任务流程

  • 阶段二:再按计划顺序执行

  • 更适合:任务边界清晰、步骤可预见的场景

    用户输入 → 完整规划 (Plan)
    ↓
    按顺序执行 (Execute)
    ↓
    返回结果


Reflection(反思)

Reflection 即反思,是 Agent 的一种自我修正机制

  • 对执行结果进行评估
  • 识别错误或不足
  • 调整策略后重新执行

维度 ReAct Plan and Execute Reflection
执行顺序 边想边做 先想后做 做完后想
灵活性 高 中 需要其他模式配合
计算成本 中 低 视情况而定
适用场景 动态、复杂任务 明确、线性任务 错误修正、自我优化

Agent Evaluation

Evaluation-评估,是对Agent进行系统性评价的过程

由于Agent基于LLM生成答案,其评估标准并非放之四海而皆准,而是需要根据不同的应用场景和落地方向进行针对性设计。

为什么要评估

评估的目的不仅仅是区分"能用"和"不能用"(这通常是暂时性判断),更核心的目的是通过评估进行调优。具体来说:

  1. 发现问题所在
  2. 指导进一步优化方向
  3. 建立更细致、更深入的评估流程

这一思维方式适用于所有软件工程类和科研类项目。例如:一个可运行的游戏,虽然功能正常,但仍可优化代码降低CPU/内存占用、减少网络流量消耗。

评估的两种类型

端对端评估

从用户视角出发,评估Agent从输入到输出是否合格。这是基础层面的判断,如果连基本匹配都做不到,Agent本身就不可用。

非端对端评估(步骤级评估)

针对工作流中的具体步骤进行分析和调优。典型工作流包括:

阶段 描述
分析 LLM分析用户输入,理解用户目的/企图
Planner 规划执行步骤(1、2、3、4、5...)
执行 逐个执行每个步骤(如RAG查询、搜索网页、调用工具、写本地文件等)

注:如果是ReAct等推理模式,可能会有更多的循环,由LLM自主决策下一步。

如何做评估

最简单的端对端评估可以用表格形式呈现:

序号 Input Output Ground Truth(标准答案) Score(评分)
1 ... ... ... ...
2 ... ... ... ...
3 ... ... ... ...

评估的具体方式不必拘泥,重点是建立一套符合落地场景的具体标准,用以判断Agent的输出是否正确。

核心要点

  • 评估标准需要根据应用场景定制
  • 评估的真正目的是调优,而非简单的通过/失败判断
  • 端对端评估看整体,非端对端评估看细节
  • 两种评估结合使用,才能全面提升Agent质量
相关推荐
chh5637 小时前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
TomEval8 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
ZhengEnCi8 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
一只爱撸猫的程序猿9 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
GitCode官方9 小时前
开源鸿蒙跨平台直播|AI 时代,用 cj-tauri 开发鸿蒙 PC 应用
人工智能·华为·harmonyos·atomgit
老金带你玩AI10 小时前
GPT-6.2更强更便宜了,为什么还有人骂?
人工智能
CyrusYiVPP10 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
泯泷10 小时前
OpenClaw 退潮背后,是 AI 圈“技术自嗨”的终结
人工智能·chatgpt·llm
罗西的思考10 小时前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
屿华AI10 小时前
AUTOSAR 实战-诊断工具 | 用 Claude Code 开发诊断测试工具:AI 协作开发实践
人工智能·测试工具