提示词工程本身就是一个为了让大模型 答复得更完美 的方法论，它更像一个 AI 世界的向导。

文档参考：提示工程指南 – Nextra

零样本提示

直接与大模型进行对话

如今，经过大量数据训练并调整指令的LLM能够执行零样本任务。以下是我们使用的一个示例：

提示：

将文本分类为中性、负面或正面。文本：我认为这次假期还可以。情感：

输出：

中性

请注意，在上面的提示中，我们没有向模型提供任何示例——这就是零样本能力的作用。

少样本提示

通过提供一个示例，引导大模型生成内容

虽然大型语言模型展示了惊人的零样本能力，但在使用零样本设置时，它们在更复杂的任务上仍然表现不佳。少样本提示可以作为一种技术，以启用上下文学习，我们在提示中提供演示以引导模型实现更好的性能。演示作为后续示例的条件，我们希望模型生成响应。

在这个例子中，任务是在句子中正确使用一个新词。

提示：

“whatpu”是坦桑尼亚的一种小型毛茸茸的动物。 一个使用whatpu这个词的句子的例子是：我们在非洲旅行时看到了这些非常可爱的whatpus。 “farduddle”是指快速跳上跳下。 一个使用farduddle这个词的句子的例子是：

输出：

当我们赢得比赛时，我们都开始庆祝跳跃。

我们可以观察到，模型通过提供一个示例已经学会了如何执行任务。

链式思考（CoT）提示

针对一个案例，提供思路式的示例加入提示词中，引导大模型生成内容

提示：

这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。 A：将所有奇数相加（9、15、1）得到25。答案为False。 这组数中的奇数加起来是偶数：17、10、19、4、8、12、24。 A：将所有奇数相加（17、19）得到36。答案为True。 这组数中的奇数加起来是偶数：16、11、14、4、8、13、24。 A：将所有奇数相加（11、13）得到24。答案为True。 这组数中的奇数加起来是偶数：17、9、10、12、13、4、2。 A：将所有奇数相加（17、9、13）得到39。答案为False。 这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。 A：

输出：

将所有奇数相加（15、5、13、7、1）得到41。答案为False。

提供推理步骤来实现对大模型应答的应答

零样本 COT 提示

在链式思考的基础上，去掉思路式的示例，改成“让我们逐步思考”这样的话术，提醒 ai 自己去逐步思考，就好像期末复习，老师不给考试范围，只告诉学生们自己好好复习。

按照链式思考的思路，但是这次不给大模型具体的推理步骤，只是提醒大模型要去逐步思考，比如将“让我们逐步思考”添加到原始提示中

提示：

我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。 我还剩下多少苹果？

输出：

11个苹果

答案是不正确的！现在让我们尝试使用特殊提示。

提示：

我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。 我还剩下多少苹果？让我们逐步思考。

输出：

首先，您从10个苹果开始。您给了邻居和修理工各2个苹果，所以您还剩下6个苹果。 然后您买了5个苹果，所以现在您有11个苹果。 最后，您吃了1个苹果，所以您还剩下10个苹果。

自动思维链（Auto-CoT）

ai 自己找找相似案例，来自动生成推理示范

如果我们想让AI学会“一步步思考”（也就是思维链），我们需要人工去给它写很多高质量的“示范题”和“解题步骤”。这不仅费时费力，而且人工写出来的例子可能不够丰富，导致AI学得不完美。为了解决这个麻烦，研究人员发明了Auto-CoT，让AI利用“让我们一步一步地思考”这种提示，自己去生成推理过程。

Auto-CoT 主要由两个阶段组成：

• 阶段1：问题聚类：将给定问题划分为几个聚类
• 阶段2：演示抽样：从每组数组中选择一个具有代表性的问题，并使用带有简单启发式的 Zero-Shot-CoT 生成其推理链

这两个阶段，通俗一点翻译就是：一个“出题+做题”的自动化流水线

• 第一步：问题聚类（给题目分类）。就像老师整理试卷一样，先把一堆杂乱的问题按照类型分好类。
• 第二步：演示抽样（挑代表并写解析）。从每个类别里挑出一道最典型、最具代表性的题目，然后让AI用“零样本思维链（Zero-Shot-CoT）”的方式，自己把这道题的推理步骤写出来，当作示范。

因为AI自己生成的推理步骤偶尔也会出错，所以我们需要给它定一些“简单但有效”的筛选标准（启发式方法）。比如，我们可以规定：

• 挑出来的代表性问题，长度要适中（比如60个词左右，不要太长也不要太短）。
• AI生成的推理步骤，数量要合理（比如5步左右，清晰明了）。
  通过这种“长度+步骤数”的简单限制，可以鼓励AI生成简单、准确、高质量的示范，从而避免它在推理时“胡言乱语”或把简单问题复杂化。

自我一致性

多想几个思路，内部投票看谁的思路更好

自我一致性（Self-Consistency）是一种高级解码策略，主要用于提升大语言模型（LLMs）在复杂推理任务上的准确性。

用通俗的话来解释，它的核心思想是：“三个臭皮匠，顶个诸葛亮”。模型在解决复杂问题时，单一的思考路径可能会出错，但如果让模型从多个不同的角度、生成多条不同的推理路径，最后通过“少数服从多数”的投票机制来得出最终答案，准确率就会大幅提升。

具体来说，自我一致性包含以下三个核心步骤：

1. 生成多样化的推理路径（Diverse Reasoning Paths）
   在传统的思维链（CoT）中，模型通常只生成一条推理过程。而在自我一致性中，我们会让模型对同一个问题生成多条（比如 N 条）不同的推理链。这通常通过调高模型的采样温度（Temperature）来实现，鼓励模型在每一步推理时探索不同的可能性，而不是总是选择概率最高的那个词。
2. 提取最终答案（Extract Final Answers）
   模型生成多条推理链后，系统会分别提取出每条推理链最终得出的答案。
3. 边缘概率投票（Marginal Probability Voting）
   这是最关键的一步。系统会统计这些最终答案，采用多数投票（Majority Voting）的方式选出出现频率最高的答案作为最终结果。即使某条推理链中间出现了小错误，只要最终答案与其他正确的推理链一致，它依然能为正确答案“投票”。

案例：

提示：

Q：林中有15棵树。林业工人今天将在林中种树。完成后，将有21棵树。林业工人今天种了多少棵树？A：我们从15棵树开始。后来我们有21棵树。差异必须是他们种树的数量。因此，他们必须种了21-15 = 6棵树。答案是6。Q：停车场有3辆汽车，又来了2辆汽车，停车场有多少辆汽车？A：停车场已经有3辆汽车。又来了2辆。现在有3 + 2 = 5辆汽车。答案是5。Q：Leah有32块巧克力，她的姐姐有42块。如果他们吃了35块，他们总共还剩多少块？A：Leah有32块巧克力，Leah的姐姐有42块。这意味着最初有32 + 42 = 74块巧克力。已经吃了35块。因此，他们总共还剩74-35 = 39块巧克力。答案是39。Q：Jason有20个棒棒糖。他给Denny一些棒棒糖。现在Jason只有12个棒棒糖。Jason给Denny多少棒棒糖？A：Jason有20个棒棒糖。因为他现在只有12个，所以他必须把剩下的给Denny。他给Denny的棒棒糖数量必须是20-12 = 8个棒棒糖。答案是8。Q：Shawn有五个玩具。圣诞节，他从他的父母那里得到了两个玩具。他现在有多少个玩具？A：他有5个玩具。他从妈妈那里得到了2个，所以在那之后他有5 + 2 = 7个玩具。然后他从爸爸那里得到了2个，所以总共他有7 + 2 = 9个玩具。答案是9。Q：服务器房间里有9台计算机。从周一到周四，每天都会安装5台计算机。现在服务器房间里有多少台计算机？A：从周一到周四有4天。每天都添加了5台计算机。这意味着总共添加了4 * 5 =20台计算机。一开始有9台计算机，所以现在有9 + 20 = 29台计算机。答案是29。Q：Michael有58个高尔夫球。星期二，他丢失了23个高尔夫球。星期三，他又丢失了2个。星期三结束时他还剩多少个高尔夫球？A：Michael最初有58个球。星期二他丢失了23个，所以在那之后他有58-23 = 35个球。星期三他又丢失了2个，所以现在他有35-2 = 33个球。答案是33。Q：Olivia有23美元。她用每个3美元的价格买了五个百吉饼。她还剩多少钱？A：她用每个3美元的价格买了5个百吉饼。这意味着她花了15美元。她还剩8美元。Q：当我6岁时，我的妹妹是我的一半年龄。现在我70岁了，我的妹妹多大？A：

输出 1：

当我6岁时，我的妹妹是我的一半年龄，也就是3岁。现在我70岁了，所以她是70-3 = 67岁。答案是67。

输出 2：

当叙述者6岁时，他的妹妹是他年龄的一半，也就是3岁。现在叙述者70岁了，他的妹妹应该是70-3 = 67岁。答案是67。

输出 3：

当我6岁时，我的妹妹是我的一半年龄，也就是3岁。现在我70岁了，所以她是70/2 = 35岁。答案是35。

这种提示方式，要注意API 成本与延迟， 因为一个问题需要让模型回答 N 次（通常 N=3 到 5），所以消耗的 Token 数量和时间是普通提示的 N 倍。建议只在高难度、高价值的推理任务中使用。

生成知识提示

就好像你要写一个名人的作文，那你就需要回忆一下这个名人都有什么经历

核心思想可以通俗地概括为：“在给出最终答案之前，先让AI把脑子里相关的背景知识梳理一遍。”这种方法解决了模型“不知道自己知道什么”的问题，帮助它将零散的内部知识连接起来，从而得出更准确的结论

核心工作机制：两阶段认知过程

与直接提问不同，GKP 将任务拆解为两个连续的子过程：

1. 阶段一：知识生成（Knowledge Generation）
   在这个阶段，模型扮演“知识生成器”的角色。针对用户的原始问题，模型会首先生成多个（例如20个）与主题相关的背景事实或知识片段。这些知识是模型内部隐式记忆的激活，且不应直接包含最终答案。
2. 阶段二：知识整合与答案形成（Knowledge Integration）
   在这个阶段，模型扮演“推理模型”的角色。系统会将原始问题与阶段一生成的多个知识片段进行组合（查询增强）。然后，模型会基于这些丰富的上下文信息，评估各种可能的答案，并最终选择概率最高、最合理的答案作为输出

可以把传统的提示工程比作闭卷考试，模型必须凭直觉直接给出答案；而“生成知识提示”则相当于开卷考试。在答题前，模型被允许先查阅一下自己脑海中的“参考资料”（生成相关知识），然后再结合这些资料和题目，经过深思熟虑后写下最终答案。这种“先思考并阐述你对这个主题的了解”的元认知过程，显著提升了回答的质量。

链式提示（Prompt Chaining）

链式提示（Prompt Chaining）是一种将复杂任务分解为一系列更小、更明确的子任务，并按顺序执行的设计模式。每个子任务都有一个专门的提示词，前一个子任务的输出会成为下一个子任务的输入。

可以把它想象成一条智能化的流水线：每个环节（提示）都专注于做好一件事，并将成果传递给下一环节。与试图让AI一次解决所有问题相比，这种方法能显著提高输出的可靠性和质量。

链式提示与思维链（Chain-of-Thought）这两个概念容易混淆，但核心区别在于结构：

• 链式提示 (Prompt Chaining)：将任务分解为多个独立的提示词，分步进行。上一步的输出是下一步的输入，整个过程是外部可见且可分步调试的。
• 思维链 (Chain-of-Thought)：在单个提示词中，引导模型展示其内部的推理步骤。它像要求AI“把思考过程写下来”，整个过程在模型内部完成。

简单来说，链式提示是你将任务分解后，分步骤交给AI完成；而思维链是让AI自己在内部一步步推理并展示给你看。

链式提示的价值在于将不可控的“黑盒”变得可控、可靠。

• 提升准确性与可靠性：通过拆分任务，每一步的认知负荷降低，AI可以更专注于单一目标，减少出错概率。
• 过程透明，易于调试：你能清晰地看到每个环节的输入和输出。如果最终结果不理想，可以精准定位到有问题的环节并进行优化。
• 模块化与可复用性：每个子任务的提示词都是独立的模块，可以在不同的工作流中被复用和组合。
• 支持复杂工作流：你可以在步骤之间插入验证、调用外部工具（如搜索API、数据库），构建强大的AI应用。

根据任务复杂度，链式提示有多种变体：

实践案例：撰写市场分析报告

假设你需要一份AI行业市场分析报告，可以这样设计链式提示：

• 步骤1：收集信息

提示：“请列出当前人工智能领域最受关注的五个主要发展方向。”

• 步骤2：深度分析

提示：“基于以上列出的五个方向（[此处插入步骤1的输出]），请分析每个方向当前的市场规模和技术成熟度。”

• 步骤3：趋势预测

提示：“根据你对市场规模和技术成熟度的分析（[此处插入步骤2的输出]），预测未来3-5年这五个方向各自的发展趋势。”

• 步骤4：整合报告

提示：“请将以上所有信息（[此处插入步骤3的输出]）整合成一份结构清晰、适合向管理层汇报的PPT大纲。”

思维树（ToT）

思维树（Tree of Thoughts, ToT）可以看作是链式提示（Prompt Chaining）和思维链（Chain of Thought, CoT）的全面升级版。

如果说思维链是让AI沿着一条路“走到黑”，那么思维树就是让AI像一位深谋远虑的棋手，在走每一步时都同时构思多种可能的走法，评估每种走法的优劣，并随时准备探索、评估、回溯和规划。

• 思维链 (CoT)：线性推理。模型按部就班地生成一个推理链条。
• 链式提示 (Prompt Chaining)：任务分解。将大任务拆成线性序列，每一步的输出是下一步的输入。
• 思维树 (ToT)：树状搜索。在每个决策点，模型都生成多个可能的“想法”（树的枝干），评估它们，并只沿着最有希望的路径继续探索，必要时还会“回溯”

ToT的工作流程是一个循环，包含四个核心步骤：

1. 思维分解 (Thought Decomposition)：将复杂问题拆解成一系列更小、可管理的“思维步骤”或“子问题”。
2. 思维生成 (Thought Generation)：针对当前问题状态，生成多个可能的下一步“想法”。

• • 采样法 (Sampling)：适用于开放性问题，独立生成多个不同想法。
  • 提议法 (Proposing)：适用于逻辑性强的问题，基于前一步顺序生成后续想法。

1. 状态评估 (State Evaluation)：对生成的每个“想法”进行评估，判断其通往最终解决方案的潜力。

• • 赋值法 (Value)：给每个状态打分（如1-10分）。
  • 投票法 (Vote)：比较多个方案，选出最佳的一个。

1. 搜索算法 (Search Algorithm)：决定如何探索这棵“思维树”。

• • 广度优先搜索 (BFS)：逐层探索，先评估同一层的所有想法，再进入下一层。
  • 深度优先搜索 (DFS)：沿一个最有希望的分支深入探索，直到得出结论或碰壁后回溯

手动引导AI模拟ToT过程：

提示词模板：

请使用“思维树”方法来解决以下问题：[在这里描述你的问题]

第一轮：生成阶段
请提出3个不同的解决思路。

第二轮：评估阶段
对以上每个思路，从可行性、效率等角度进行评分（1-10分），并简要说明理由。

第三轮：选择与深入阶段
选择评分最高的思路，并基于它，再提出3个更具体的下一步行动计划。

重复“评估-选择-深入”的过程，直到找到最终的解决方案。

检索增强生成 (RAG)

通用语言模型通过微调就可以完成几类常见任务，比如分析情绪和识别命名实体。这些任务不需要额外的背景知识就可以完成。要完成更复杂和知识密集型的任务，可以基于语言模型构建一个系统，访问外部知识源来做到。这样的实现与事实更加一性，生成的答案更可靠，还有助于缓解“幻觉”问题。

RAG 会接受输入并检索出一组相关/支撑的文档，并给出文档的来源。这些文档作为上下文和输入的原始提示词组合，送给文本生成器得到最终的输出。这样 RAG 更加适应事实会随时间变化的情况。这非常有用，因为 LLM 的参数化知识是静态的。RAG 让语言模型不用重新训练就能够获取最新的信息，基于检索生成产生可靠的输出。

简单来说，RAG就是让AI在回答问题时，先“翻书查资料”，再根据资料来回答。

一个典型的RAG系统遵循“检索-增强-生成”的三阶段流程：

1. 检索 (Retrieve)：当用户提问时，系统会去知识库中搜索与问题最相关的信息片段。
2. 增强 (Augment)：将检索到的信息作为“上下文”（Context），拼接到用户的原始问题中，形成一个“增强提示”。
3. 生成 (Generate)：将增强后的提示词发送给大模型，让它基于提供的资料生成最终答案。

这个流程看似简单，但构建一个高性能的RAG系统，关键在于离线阶段的知识库准备工作：

• 数据准备与清洗：将来自PDF、Word、网页等各种来源的原始数据加载进来。
• 文档分块 (Chunking)：把长文档切成语义完整的小块。这是最关键步骤之一。块太大（信息稀释）或太小（丢失上下文）都会影响效果，一般初始可设为300-800个中文字符。
• 向量化与索引：用“嵌入模型”将每个文本块转换成能表示其语义的数学向量，并存入专门的向量数据库（如Milvus, Pinecone, Chroma等）

自动推理并使用工具 (ART)

自动推理与工具使用（Automatic Reasoning and Tool-use，简称ART），是将这些思考能力与

行动能力相结合，让AI不仅能“想”，还能自主地“用工具做事”。

ART的运作主要分为离线准备和在线推理两个阶段：

1. 准备阶段：建立“经验库”

• 任务库 (Task Library)：预先存入各种复杂任务的“示范解法”。例如，对于“计算增长率”这类任务，库中会存有“先查数据，再计算”的示范步骤。
• 工具库 (Tool Library)：集成AI可以调用的外部工具，如搜索引擎、计算器、代码解释器、各种API等。

1. 在线推理阶段：自主解决问题

• 接收任务：用户提出一个复杂问题。
• 匹配与分解：ART从任务库中检索最相似的“示范”，并以此为指导，将新任务分解为一系列子步骤。这个过程是零样本（Zero-shot）的，即不需要为每个新任务都提供新示例。
• 动态执行：模型开始一步步执行子步骤。当需要外部信息或计算时（如“查询今天的股价”），它会自动暂停文本生成。
• 调用工具：ART框架根据模型指令，调用工具库中相应的工具（如股票API）。
• 整合与继续：工具执行后返回结果（如“股价为150元”），ART将结果“喂”回给模型。模型恢复生成，基于这个新信息继续推理，直到完成所有步骤，输出最终答案。

自动提示工程师（APE）

自动提示工程师（Automatic Prompt Engineer，简称APE）是一种让AI自动为你编写和优化提示词（Prompt）的技术。它的核心思想是将提示工程这个原本依赖人类经验和直觉的过程，转变为一个由AI驱动的、自动化的优化问题。

APE的工作流程是一个典型的“生成-评估-迭代”循环，就像一个AI在“自己考自己”：

1. 候选指令生成 (Propose)：首先，向一个“生成模型”（可以是任意的LLM）提供一些任务示例（输入和期望的输出）。这个模型会根据这些示例，批量生成各种可能的提示词候选。
2. 指令性能评估 (Score)：然后，将上一步生成的所有候选提示词，逐一传递给“目标模型”（通常就是你要优化的那个LLM）去执行任务。系统会根据预定义的评分函数（如准确率、完整度，或使用另一个LLM来打分）来评估每个提示词的效果。
3. 迭代优化与选择 (Select & Iterate)：系统会选出当前评分最高的提示词。在更高级的流程中，这个过程会进入迭代循环。系统会让生成模型基于当前的最优提示词，去创造它的“变体版本”，然后再次进行评估和选择。通过这种方式，提示词的质量会在一轮轮的“进化”中不断提升

主动学习（Active-Prompt）

Active-Prompt是一种先进提示词工程技术，旨在解决思维链（CoT）方法中的一个核心痛点：依赖于一套固定的人工标注示例，而这些示例可能并非针对特定任务的最优选择。

它通过引入主动学习（Active Learning）的思想，让模型自己“找出”哪些问题是它最不擅长的，然后由人工专门为这些“难题”编写思维链示例。这就像一个“查漏补缺”的智能助手，能显著提升示例的利用效率和模型的推理表现。

Active-Prompt 的工作流程形成了一个高效的闭环，主要包含以下四个步骤：

1. 候选答案生成：首先，针对一批任务问题（不含答案），让模型生成k个可能的答案。这就像是让模型进行一次“模拟考”，并给出多种解题思路。
2. 不确定性计算：接着，系统会分析模型对这同一个问题生成的k个答案。如果答案之间分歧很大，说明模型对此问题“心里没底”，不确定性高。常用的度量指标包括答案的分歧度（Disagreement）或概率熵值（Entropy）。
3. 人工精选标注：系统会根据不确定性得分，选出最让模型“困惑”的一批问题，交由人工进行思维链（CoT）标注。这确保了宝贵的人力能精准投入到最能提升模型性能的“刀刃”上。
4. 推理与迭代：最后，用这些新标注的、针对性极强的示例来构建新的提示词，引导模型进行推理。整个过程可以迭代进行，持续优化

与思维链与自动提示工程师对比：

• 对比思维链 (CoT)：CoT依赖人工预先选定的固定示例；而Active-Prompt是模型主动选择哪些问题需要示例，是CoT的一个进化版本。
• 对比自动提示工程师 (APE)：两者都旨在优化提示词，但路径完全不同。APE的目标是自动化地生成和搜索最优的提示词指令本身；而Active-Prompt的目标是自动化地筛选出最值得人工去标注思维链示例的问题。你可以理解为，APE在找“怎么问最好”，而Active-Prompt在找“针对什么问题去准备示例最好”。

方向性刺激提示

因材施教

方向性刺激提示（Directional Stimulus Prompting，简称DSP）。它的核心思想是，不直接修改“黑盒”大模型本身，而是训练一个轻量级的“策略模型”，来为每个具体问题动态生成一条“定制线索”，从而引导大模型生成更精准、更符合要求的输出

DSP的工作流程分为两个阶段：

1、训练阶段：培养你的“高级助理”（策略模型）

监督微调（SFT）：首先，准备一个小型数据集，其中包含输入和对应的“伪刺激”。例如，对于“新闻摘要”任务，“伪刺激”可能就是摘要中应包含的关键词。然后用这些数据训练一个小型策略模型（如T5）。

强化学习（RL）优化：为进一步提升效果，还会采用强化学习。根据大模型在使用“刺激”后输出的质量给予“奖励”或“惩罚”，让策略模型学会生成更有效的提示。

2、推理阶段：执行任务

动态生成刺激：当用户提出新问题（例如，一篇长文章）时，训练好的策略模型会为其生成一条“方向性刺激”。

组合并输入大模型：这条刺激（例如，几个核心关键词）会与原始问题组合成一个增强的提示词。

生成最终结果：大模型根据这个包含“定制线索”的提示，生成更准确、更符合预期的最终答案

程序辅助语言模型（PAL）

PAL（Program-Aided Language Models，程序辅助语言模型）是一种创新的方法，旨在解决大语言模型（LLM）在算术和逻辑推理上的“偏科”问题。它的核心思想：让LLM只负责将问题“翻译”成代码，而把具体的计算和执行过程，交给专业的“计算器”（如Python解释器）来完成

PAL的核心是构建一个“LLM + 代码解释器”的组合，让它们各司其职：

• 大语言模型 (LLM)：担任“翻译官”和“规划师”的角色。它负责理解用自然语言描述的问题，并将推理步骤转化为结构化的Python代码。
• 代码解释器 (如Python Interpreter)：担任“计算器”和“执行者”的角色。它负责执行LLM生成的代码，并返回精确的计算结果

PAL的执行流程清晰直接：

1. 问题输入：用户向系统提出一个需要推理或计算的自然语言问题。
2. 代码生成：LLM分析问题，生成解决该问题的Python代码。此过程通常会结合思维链（CoT）技术，让模型逐步推理，但将推理的每一步都转化为代码。
3. 代码执行与输出：Python解释器执行这段代码，计算出最终答案并返回给用户

ReAct 框架

思维链（CoT）是教AI“在脑中如何一步步想”，那么ReAct就是教AI“想完之后如何去查、去做，并根据环境反馈继续调整”。它将推理与行动交织成一个闭环，是现代AI智能体系统最常见的执行骨架之一。

ReAct的核心灵感来源于人类的决策过程：我们不只是被动思考，而是通过思考制定计划、执行行动、观察结果，并据此调整策略。ReAct将这一过程应用到LLM中，打破了传统模型“输入-输出”的单向链路，构建了“感知-决策-执行-反馈”的智能闭环。

ReAct的工作流程是一个不断循环的“思考-行动-观察”（Thought-Action-Observation）过程，也被称为TAO循环。

1. 思考 (Thought)：模型首先分析当前状态，推理并规划下一步的行动。例如：“我需要先搜索一下这家公司的背景信息。”
2. 行动 (Action)：根据思考结果，模型执行一个具体的操作。这可以是调用一个外部工具，如搜索引擎、计算器、数据库或API等。
3. 观察 (Observation)：模型接收并分析行动执行后返回的结果。例如：“搜索结果返回了三条相关新闻。”
4. 循环迭代：模型将“观察”到的新信息作为“思考”的输入，进入下一轮循环。这个过程会不断重复，直到模型认为任务完成为止。

自我反思（Reflexion）

自我反思（Reflexion）是一种让AI智能体（Agent）通过语言反馈进行自我完善的框架。它解决的核心问题是：传统的强化学习依赖“+1/-1”这样的数值奖励，智能体虽然知道做得好不好，但不知道“为什么”和“怎么改”。而Reflexion通过让AI用自然语言进行“复盘”，生成具体的改进建议，从而在下一轮任务中表现得更好。

• 传统微调：为了改进，需要重新训练模型，成本高昂。
• Reflexion：将一次尝试的失败经验，用自然语言总结成“教训”，存入一个“经验库”（情景记忆）。下次遇到类似任务时，模型会先参考这些“教训”，从而避免重蹈覆辙。

一个形象的比喻：这就像人类学习骑自行车，摔倒了（失败），不是去“更新”自己的身体硬件，而是记住了“下次转弯时速度要慢一点”这条经验（语言反馈）。

Reflexion框架通过三个核心组件的协同工作，形成一个闭环。

1. 参与者 (Actor)：负责执行任务。它根据当前任务和任何可用的“经验”，生成思考和行动（通常会结合ReAct或思维链（CoT）等技术）。
2. 评估者 (Evaluator)：负责对参与者的表现进行打分。它会评估任务执行的结果（如代码是否通过测试），并给出一个分数或评价。
3. 自我反思 (Self-Reflection)：这是核心步骤。如果评估者认为结果不理想，反思模块会分析失败原因，并生成具体的、用自然语言描述的改进建议。例如，它可能会生成：“在步骤3中忽略了边界条件，下次应补充输入验证逻辑”。