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。
「多Agent系统」找到 417 条内容
按专题浏览 →匹配口述回答：这道题问的是[[Agent]]系统，说白了就是怎么让大模型不光能聊天，还能自主完成任务。核心框架就是[[ReAct]]循环，Thought、Action、Observation三步反复迭代，直到给出最终答案。 具体说一下，我设计一个Agent，先得有工具注册中心。比如客服场景，用户要退款，Agent得查订单、算金额、调用退款接口。每个工具我都注册进去，名字、功能描述、参数格式，用JSON Schema描述清楚。这样LLM看到提示就知道有哪些工具可用，怎么用。 然后核心循环来了…
匹配正文：…理，适合简单任务 ReAct：推理(Reasoning)与行动(Acting)交错，"我想→我做→我观察"循环 ToT（思维树）：多路径探索，保留多个候选方案 关键：让模型自主决定"下一步做什么"，而非固定流程 2. 工具调用模块（Tool Use / Function Calling） 实现方式：模型输出结构化JSON（函数名+参数），外部执行后返回结果 流程：模型生成调用 → 系统执行 → 结果回传 → 模型继续推理 工具类型：搜索引擎、代码解释器、数据库、API、计算器…
匹配正文：…rvation：接收结果，进入下一轮 优势：推理与行动交织，错误可及时修正 Reflexion：在ReAct基础上增加自我反思层，Agent评估行动结果并写入记忆，避免重复犯错 三、工程简化方案 Function Calling：模型直接输出结构化工具调用参数，由外部系统执行，无需模型自循环，延迟更低、可控性更强，是目前主流落地方式 选型建议：复杂多步任务用ReAct/Reflexion， latency敏感场景用Function Calling + 预定义工作流。
学习内容与项目面试，在同一条路上。