# LLM Agent设计模式 - ReAct

- URL: https://www.yidoo.xyz/llm-agent-design-pattern-react
- 作者: 核动力蜗牛
- 发布时间: 2024-08-06
- 更新时间: 2024-08-06
- 分类: LLM技术内幕
- 标签: agent, llm

# 概述

ReAct 设计模式首次提出于 2022 年的论文[《ReACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS》](https://arxiv.org/pdf/2210.03629)。当时 ChatGPT 还没有出现，这一设计模式让大型语言模型（LLM）能够学会使用工具，具有一定的开创性。

# 工作原理

ReAct 的原理非常简单。在 ReAct 出现之前，推理（Reasoning）和行动（Acting）是分开的。ReAct 方法的核心是让模型生成交替的推理和行动步骤。这种方法允许模型在推理过程中制定、跟踪和更新行动计划，并处理例外情况。同时，模型可以通过行动与外部信息源（如知识库或环境）进行交互，以获取更多信息来支持推理过程。

例如，在一个复杂的问答任务中，ReAct 模型可以先通过推理确定需要搜索的信息，再通过行动进行搜索，获取结果后继续推理。

![487a52a97733671b6f409382e2d34b92.png](https://www.yidoo.xyz/images/487a52a97733671b6f409382e2d34b92.png)

# 创新点

ReAct 方法的创新点包括：

- **减少幻觉和错误传播**：通过与外部信息源（如维基百科 API）的交互，ReAct 模型在问答和事实验证任务中有效减少了幻觉和错误传播问题。
- **提高可解释性和可信度**：ReAct 生成的任务解决过程更具可解释性，使人类更容易理解模型的决策基础。
- **超越单一方法**：在交互决策任务中，ReAct 模型表现优于模仿学习和强化学习方法，展示了更高的成功率。

# ReAct 设计模式举例

问题：在这座城市中，我可以去哪里找到一家评价好的日料店？

ReAct 模型的工作流程：

1. **推理**：
    - **思考**：“我要找一家评价好的日料餐厅。我可以先搜索一下这座城市中所有日料店的列表。”
2. **行动**：
    - **行动**：“搜索‘这座城市的日料店’。”
    - **观察**：“结果显示了一些日料店的名称和地址。”
3. **推理**：
    - **思考**：“接下来，我需要查看这些餐厅的评价。可以在搜索结果中选择一个餐厅，然后查找它的评价。”
4. **行动**：
    - **行动**：“搜索‘餐厅 A 的评价’。”
    - **观察**：“餐厅 A 的评价是 4.5 星，评价内容提到了食物美味，服务好。”
5. **推理**：
    - **思考**：“餐厅 A 的评价很好，但我还需要多比较几家餐厅。继续查看其他餐厅的评价。”
6. **行动**：
    - **行动**：“搜索‘餐厅 B 的评价’。”
    - **观察**：“餐厅 B 的评价是 4.0 星，评价内容提到了价格合理，但服务稍差。”
7. **推理**：
    - **思考**：“综合来看，餐厅 A 的评价更高，评价内容也更好。”
8. **行动**：
    - **行动**：“决定去餐厅 A。”

通过 ReAct 模型，你找到了一个评价很好的日料店，并且通过交替使用推理和行动的步骤，确保了决策的可靠性和信息的准确性。

# 代码示例

[ReAct | 🦜️🔗 LangChain](https://python.langchain.com/v0.1/docs/modules/agents/agent_types/react/)
