01、概述
在过去的两三年中，人工智能畛域教训了令人注目标开展，尤其是在大言语模型、分散模型和多模态技术等方面。其中，我对智能代理上班流发生了浓重的兴味。往年终，Coursera 的开创人、深度学习先锋 Andrew Ng 发了一条推特：“智能上班流将推进往年的 AI 渺小开展”。自那时起，智能代理畛域的停顿令人惊叹，许多人开局构建自主代理和多代理架构。
02、什么是 REAcT 揭示？
REAcT 代表 Reasoning（推理）、Acting（执行） 和 Thinking（思索），它是一种揭示技术，使大言语模型（LLMs）能够将复杂义务合成为一系列思索环节、执行和观察。
REAcT 揭示的环节便捷明了，关键包括以下三个步骤：
这个环节会循环启动，直到取得令人满意的结果或到达最大迭代次数。
REAcT 揭示的示例
让咱们看一个典型的 REAcT 揭示结构：
实时示例
假定用户查问：“最近的印度与英格兰测试系列赛的最佳球员是谁，他们的关键体现如何？”
输入（经常使用 crewAI 生成）：
经过始终的思索、执行和观察，代理最终得出了答案：Yashasvi Jaiswal 被评比为最佳球员，并列出了他的关键体现。
REAcT 揭示在构建代理中的价值
传统上，从 LLM 中失掉结果的模式是编写结构良好的揭示。但是，须要留意的是，LLMs 自身并不具有推理才干。只管多种方法试图使 LLMs 能够推理和方案，但许多方法未能取得成功。REAcT 的出现，在必定水平上成功地设计了比以往更契合逻辑的钻研方案。
REAcT 经过将复杂义务合成为一系列思索、执行和观察，使代理能够以之前难以成功的透明度和顺应性处置复杂疑问。这种方法使开发者更容易了解代理的决策环节，从而启动调试、优化和改良。
此外，REAcT 揭示的迭代特性使代理能够处置不确定性。随着代理在多个思索、执行和观察周期中的停顿，它可以依据新消息调整其方法，相似于人类在面对复杂义务时的应答模式。
03、REAcT 代理的关键运行与案例
接上去，咱们将探求 REAcT 代理的多种运行和实践案例，突显其在各个畛域优化推理、决策和顺应才干的后劲。
实时体育剖析与预测
REAcT 代理可以应用互联网上少量消息提供体育行业的剖析和预测。例如，在 IPL 较量中，代理可以：
智能化客户支持
客户支持须要提供有效反应的技艺。REAcT 代理十分适宜在 LLM 或代理须要提供智能反应时经常使用，协助：
共性化在校生学习
教育畛域也是 REAcT 代理或者发生渺小影响的畛域。构想一个共性化的 AI 辅导员，它可以：
04、经常使用 LlamaIndex 成功 REAcT 代理
如今，咱们进入成功 REAcT 代理的激动人心的局部。实践上，经常使用 LlamaIndex 成功起来相当便捷，只有几行代码。
装置和设置
在启动代码成功之前，咱们须要装置一些必要的库，包括 LlamaIndex。LlamaIndex 是一个有效衔接大言语模型与数据的框架。咱们将经常使用 DuckDuckGo 搜查作为咱们的举措工具，并将 Gemini 作为集成的 LLM。
!pip install llama-index!pip install duckduckgo-search!pip install llama-index-llms-gemini导入必要组件
咱们首先须要导入必要的组件。REAcT 代理须要与外部工具交互以失掉数据，这可以经过 LlamaIndex **工具中的 Function Tool 成功。逻辑很便捷：每当代理须要访问实在数据时，它会触发一个 Python 函数来检索所需消息。
from llama_index.core.tools import FunctionToolfrom duckduckgo_search import DDGSfrom llama_index.llms.gemini import Gemini定义 Gemini LLM
在 LlamaIndex 中，OpenAI 是自动的 LLM。为了笼罩 Gemini，咱们须要在设置中初始化它。您可以在 Google AI Studio 失掉 API 密钥。
from llama_index.core import Settingsimport osGOOGLE_API_KEY = "" # 在这里增加您的 API 密钥os.environ["GOOGLE_API_KEY"] = GOOGLE_API_KEYllm = Gemini()Settings.llm = llm创立 REAcT 代理的举措工具
接上去，咱们定义搜查工具 DuckDuckGo 搜查。须要记住的一个关键细节是，在定义用于执行操作的 FunctionTool 时，须要指定输入参数的数据类型。例如，search(query: str) -> str 确保查问参数是字符串。因为 DuckDuckGo 前往的搜查结果蕴含附加元数据，咱们将提取结果的主体内容以简化照应。
def search(query:str) -> str:"""Args:query: 用户揭示return:context (str): 用户查问的搜查结果"""req = DDGS()response = req.text(query, max_results=4)context = ""for result in response:context += result['body']return contextsearch_tool = FunctionTool.from_defaults(fn=search)编写 LlamaIndex 的 REAcT 代理
随着代理的关键组件已设置终了，咱们如今可以定义 REAcT 代理。咱们可以间接经常使用 LlamaIndex **中的 ReAct Agent。此外，咱们设置 verbose=True 以了解幕后出现的事情，设置 allow_parallel_tool_calls=True 准许代理在适当状况下做出决策而无需总是依赖外部操作。
from llama_index.core.agent import ReActAgentagent = ReActAgent.from_tools([search_tool],llm=llm,verbose=True,allow_parallel_tool_calls=True)这样，咱们就创立了 REAcT 代理。如今可以经常使用它来回答查问，经过运转 agent.chat 方法。
template = """你是一位专业的体育剖析记者。剖析 Virat Kohli 在 2024 年 IPL 的体现趋向，并提供他的优缺陷。还需提供 Virat Kohli 在 IPL 2024 的总得分。我还须要他在同一赛季的最高分。"""response = agent.chat(template)print(response)输入
最终，咱们失掉了 REAcT 代理的照应。经过这样的成功，代理能够有效地回答实时用户查问。
05、结语
REAcT 代理代表了人工智能和智能上班流畛域的一大提高。经过经常使用 LlamaIndex 成功 REAcT 代理，咱们创立了一个弱小的工具，能够在实时用户查问中启动推理、执行和思索。
参考：
基咯咯
原文链接：