LLM ReAct: 将推理和行为相结合的通用范式 学习记录

LLM ReAct

什么是ReAct?

LLM ReAct 是一种将推理和行为相结合的通用范式，可以让大型语言模型（LLM）根据逻辑推理（Reason），构建完整系列行动（Act），从而达成期望目标。LLM ReAct 可以应用于多种语言和决策任务，例如问答、事实验证、交互式决策等，提高了 LLM 的效率、效果、可解释性和可信赖度

详见可以参见：LLM ReAct

论文中的Prompt示例

ReAct详细细节如下：

• few-shot【少样本学习】提供一些包含交替出现的reasoning(推理)和actions(行动)例子，使得模型能够。
• 在生成过程中,语言模型需要同时预测reasoning和action,比如先生成一个reasoning，然后生成相应的action,然后再生成新的reasoning,如此交替。
• reasoning和actions的交替频率可以根据任务需要进行调整。对于更注重推理的任务可以更为密集，对于更依赖行动的任务可以更为稀疏。
• 通过reasoning的引导,actions可以更有目标性。通过actions的反馈,reasoning可以更加准确。二者协同增强语