ReAct: decyduj, działaj, obserwuj

ReAct zmienia decyzje i działania w oparciu o zaobserwowane wyniki. Agent może najpierw odzyskać informacje i odpowiedzieć, gdy dostępne będą niezbędne dowody.

Kroki te odnoszą się do funkcji zidentyfikowanych w kodzie aplikacji. Ten materiał nie został sprawdzony na żywo; sprawdź dokumentację i opcje w swojej wersji.

Jak to działa, krok po kroku

Ograniczona pętla agenta

Agent łączy model z narzędziami, celem i stanem. Obserwuje żądanie, wybiera krok, otrzymuje wynik i decyduje, czy kontynuować. Chatbot może generować jedynie tekst; agent może zażądać działania zewnętrznego. Definicje komercyjne są różne, dlatego sprawdź rzeczywistą kontrolę. Zdefiniuj sukces i zatrzymanie: zweryfikowany wynik, maksymalną liczbę kroków, powtarzające się błędy lub wyczerpany budżet. Korzystaj z wąskich możliwości i minimalnych uprawnień. Użyteczna autonomia oznacza wolność w granicach narzuconych przez oprogramowanie.

Model proponuje, narzędzie wykonuje

Wywołanie narzędzia generuje żądanie wywołania z nazwą i argumentami. Aplikacja przed wykonaniem sprawdza schemat, uprawnienia i limity. Wynik powraca do kontekstu dla następnego kroku. Na przykład get_product_stock pobiera SKU i zwraca ilość; w jego opisie powinno być wyjaśnione, że nie rezerwuje produktów. Rozróżnij puste wyniki, błędy walidacji, brak dostępu i przekroczenia limitu czasu. Prawidłowy kod JSON nie dowodzi, że argumenty są poprawne lub że akcja jest autoryzowana. W przypadku efektów zewnętrznych należy również rozważyć wykonanie podwójne.

Przepływ pracy ma wyraźną strukturę

Węzeł jest etapem, krawędź jest przejściem, a stan przenosi wyniki pomiędzy etapami. Przepływ pracy ma ścieżkę zdefiniowaną przez aplikację, chociaż model może wybierać niektóre gałęzie. Systemy agentowe obejmują zarówno przepływy pracy, jak i dynamicznie działających agentów. Nymrio oferuje rozwiązania ReAct, Reflection, Sequential, Orchestrator, Router, Parallel oraz Plan-and-Execute. Każdy zmienia koordynację; nie czyni to automatycznie modelu ekspertem. Więcej agentów oznacza więcej rozmów i umów między rolami. Zacznij od najprostszego rozwiązania, które przejdzie Twoje testy.

Szczegółowe laboratorium

Śledzone wykonanie i instrukcje

Przydziel agentowi konkretną rolę: "Sprawdź politykę przed podaniem terminu. Poproś o wyjaśnienia, jeśli produkt jest niezidentyfikowany. Zatrzymaj się po odpowiedzi poparte dowodami." RAG to narzędzie do wyszukiwania; model musi obsługiwać narzędzia. Wybierz ReAct i przypisz agenta w edytorze.

1. Zapytanie: „Czy mogę zwrócić LX-240 po 10 dniach?”
2. Decyzja: potrzebna jest polityka, a nie ogólna wyszukiwarka internetowa.
3. Działanie: narzędzie wiedzy zwraca 14 dni i warunki.
4. Odpowiedź przykładowa: "Podany termin wynosi 14 dni od otrzymania, w przypadku nieużywanego produktu w oryginalnym opakowaniu. Przed wysyłką skontaktuj się z obsługą techniczną. "

Jeśli narzędzie zawiedzie, dobry wynik potwierdza ograniczenie. ReAct pasuje do przypadków, w których nowe dowody decydują o kolejnym działaniu; wybierz opcję Sekwencja dla stałych transformacji.

Schemat objaśniający

Postępuj zgodnie ze strzałkami wskazującymi główny przepływ. Przerywane niebieskie strzałki przedstawiają dane lub kontekst; przerywane różowe strzałki pokazują opinie lub zwracane wyniki. Kolory i kształty wyróżniają modele, sklepy, decyzje i wyniki. Na małym ekranie przewijaj w poziomie, aby zobaczyć cały schemat.

Kompletny przykład

„Jaki termin zwrotu dotyczy LX-240?” uruchamia wyszukiwanie zasad, obserwację 14 dni i odpowiedź. Nieudane narzędzie nie może prowadzić do wymyślonej polityki.

template: ReAct
agent: LunaKnowledge
stop: answer_or_execution_limit

Spróbuj sam

1. Utwórz przepływ pracy ReAct za pomocą agenta wiedzy i przetestuj błąd pobierania.
2. Przed rozpoczęciem eksperymentu zapisz dane wejściowe, źródło i oczekiwany wynik. W przykładzie użyj wyłącznie fikcyjnych danych.
3. Postępuj zgodnie z etapami diagramu. Na każdym etapie zapisuj, jakie informacje zostały otrzymane i wyprodukowane; nie myl produktu pośredniego z efektem końcowym.
4. Powtórz po usunięciu niezbędnych informacji lub wprowadzeniu niejednoznaczności. Sprawdź, czy system wyjaśnia, zatrzymuje lub wymyśla odpowiedź.
5. Porównaj z objaśnionym rozwiązaniem. Zachowaj konfigurację, datę, wynik i wyjaśnienie różnic. Zmień jedną rzecz i przetestuj ponownie.

Wyjaśnione rozwiązanie

Pętla zatrzymuje się po udzieleniu odpowiedzi lub osiągnięciu limitu wykonania; pobieranie obsługuje termin. Pomyślne ćwiczenie pozwala pokazać związek między danymi wejściowymi, etapami i wynikiem. Gdy brakuje informacji, bardziej użyteczna jest ostrożna odpowiedź niż wymyślane szczegóły. Porównaj więcej niż styl: sprawdź także warunki, źródła i operacje.

Kiedy to podejście pomaga i jakie ma ograniczenia

ReAct to wzorzec kontroli, a nie gwarancja rozumowania. Wybierz to podejście, jeśli poprawia ono zmierzoną potrzebę. Zachowaj prostą linię bazową i porównaj wyniki, korzystając z identycznych danych wejściowych. Jeden udany przykład nie gwarantuje niezawodności w każdej sytuacji.

Sprawdź swoją wiedzę

Czy większa autonomia zawsze daje lepszy wynik?

Nie. Zwiększa także przestrzeń na błędy, koszty i niepotrzebne działania.

Kto realizuje połączenie zaproponowane przez modelkę?

Aplikacja lub usługa hosta po sprawdzeniu poprawności. Model nie uzyskuje automatycznie nieograniczonego dostępu.

Jaki wynik powinno dać to ćwiczenie?

Pętla zatrzymuje się po udzieleniu odpowiedzi lub osiągnięciu limitu wykonania; pobieranie obsługuje termin.

Pojęcia do zapamiętania

• Agent: System, który może wybierać kroki i używać narzędzi do osiągnięcia celu.
• Wywołanie narzędzia: Ustrukturyzowane żądanie użycia możliwości zewnętrznej.
• Ukłon: Etap na wykresie wykonania.

Źródła i następny krok

• LangGraph — Przepływy pracy i agenci

Aby przygotować: W01 — Co to jest agentyczny system AI?