Featured image of post 开源智能体框架——Plan-and-execute 原理、架构与代码实现
AI Agent 原理、设计与实践

开源智能体框架——Plan-and-execute 原理、架构与代码实现

Plan-and-Solve方法本质上是先计划再执行，即先把用户的问题分解成一个个的子任务，然后再执行这些子任务，最后合并输出得到结果。在论文中的实验作法是：简单地将零样本思维链中的 “让我们一步步思考” 替换为 “让我们首先理解问题并制定解决计划，然后按照计划一步步解决问题”。

Featured image of post 开源智能体框架——Self-Ask 原理、架构与代码实现
AI Agent 原理、设计与实践

开源智能体框架——Self-Ask 原理、架构与代码实现

该框架是在思维链基础上进行改进，核心机制为：引导大语言模型在回答初始复杂问题前，显式地**自我提问**是否可以把问题改写/拆解成一个简单的子问题，并进行回答，回答时可以调用搜索工具来获得答案，然后根据工具返回结果，继续进行自我提问，直到模型认为无需继续提出子问题后，再整合之前的子问题及其答案，生成最终的答复。

Featured image of post 开源智能体框架——ReAct 原理、架构与代码实现
AI Agent 原理、设计与实践

开源智能体框架——ReAct 原理、架构与代码实现

ReAct是一种结合“推理（Reasoning）”与“行动（Acting）”的设计模式，源自 2022 年10月 Google 团队的论文，一种通过语言模型将推理与行动相结合进行循环迭代，逐步推进问题解决的范式，旨在解决传统 LLM 在复杂任务中存在的静态推理、易幻觉、缺乏外部交互等局限。这种模式在智能体中占有重要地位。