页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「ReAct Agent」找到 197 条内容
按专题浏览 →匹配正文：Agent vs LLM：从"问答"到"行动" LLM是被动响应器，Agent是主动决策者。核心差异在于Agent具备目标驱动和环境交互能力——能分解任务、调用工具、根据反馈调整策略。 四大核心模块 1. 规划（Planning） 任务分解：将复杂目标拆解为可执行的子步骤（如"订机票"→查航班→选座位→支付） 推理策略：CoT（链式思考）、ToT（树状搜索）、ReAct（推理+行动交错） 动态调整：根据执行反馈重新规划（如工具调用失败时换备用方案） 2. 记忆（Memory）…
匹配正文：…D也可能是正常空结果，先核实输入/可见性。 三、反馈融入闭环决策 短期（单轮会话）： 将错误及处理结果写入observation，ReAct循环中作为新上下文 示例："搜索工具超时，已切换至备用API，获取结果：..." 长期（跨会话）： 工具失败日志入库，用于： 动态调整工具优先级（失败率高的降权） 微调或Prompt优化（常见错误模式→few-shot示例） 四、状态机驱动的规划调整 Planning → ToolCall ──失败──┬─→ Retry ──成功→ Re…
匹配正文：Agent核心架构：LLM驱动的自主闭环系统 Agent以大模型为中央控制器，通过四大模块形成"感知-规划-执行-反馈"的循环。 1. 规划模块（Planning） 职责：任务分解与策略制定 思维链（CoT）：单路径推理，适合确定性任务 ReAct：推理+行动交错，"想一步做一步"，更适合动态环境 多步规划：复杂任务拆解为子目标，支持回溯调整 例：用户问"明天北京适合户外吗"，规划为：查天气→分析温度/降雨→给出建议 2. 记忆机制（Memory） 职责：状态持久化与上下文管…
学习内容与项目面试，在同一条路上。