1. 项目概述hello-agents系列学习第四章习题与答案是一个专注于智能体开发技术的学习项目重点探讨了三种经典智能体范式ReAct、Plan-and-Solve和Reflection。本章通过理论讲解和实战练习相结合的方式帮助开发者深入理解不同智能体架构的设计原理和实现方法。作为智能体开发领域的核心内容本章不仅介绍了每种范式的技术细节还提供了完整的代码实现和习题训练使学习者能够掌握ReAct范式的思考-行动-观察动态循环机制理解Plan-and-Solve范式的两阶段任务处理流程实践Reflection机制的自我优化能力对比不同范式的适用场景和优劣势2. 核心内容解析2.1 ReAct范式详解ReActReasoning and Acting是一种将推理与行动紧密结合的智能体范式其核心是思考-行动-观察的循环机制2.1.1 工作流程Thought智能体分析当前情况并制定计划Action智能体决定采取的具体动作如调用工具Observation执行Action后从外部工具返回的结果这种循环会不断重复直到智能体认为已经找到最终答案。例如在处理华为最新手机是什么这类问题时首先思考需要搜索最新信息然后执行搜索动作最后观察搜索结果并决定下一步2.1.2 关键技术实现工具定义为智能体配备Search等外部工具提示词设计规范智能体的输出格式循环控制设置最大步数防止无限循环2.1.3 优势与局限优势高可解释性清晰展示决策过程动态调整能力根据反馈实时修正策略工具协同结合LLM推理和外部工具执行局限对LLM能力依赖强执行效率较低提示词设计复杂2.2 Plan-and-Solve范式解析Plan-and-Solve采用先规划后执行的两阶段工作流2.2.1 核心机制规划阶段将复杂问题分解为步骤明确的计划输出结构化行动计划Python列表格式执行阶段严格按照计划逐步执行记录中间结果作为后续步骤输入2.2.2 典型应用场景多步数学计算结构化报告生成复杂代码实现2.2.3 实现要点规划器提示词设计执行状态管理步骤间数据传递2.3 Reflection机制剖析Reflection为智能体增加了自我优化能力2.3.1 三阶段循环执行生成初始解决方案反思评审并指出改进点优化根据反馈修正方案2.3.2 关键技术组件记忆模块存储执行轨迹和反馈多角色提示词执行者专注任务实现评审员严格分析问题优化者针对性改进2.3.3 适用场景代码质量优化报告内容完善复杂决策制定3. 实战练习与答案3.1 ReAct习题解析问题1为ReAct智能体添加计算器工具实现步骤定义计算器函数def calculator(expression: str) - str: try: result eval(expression) return str(result) except Exception as e: return f计算错误: {e}注册到ToolExecutorcalc_desc 一个数学计算器用于执行各种数学运算。输入应为有效的数学表达式。 toolExecutor.registerTool(Calculator, calc_desc, calculator)测试调用print(toolExecutor.getTool(Calculator)((123 456) * 789 / 12)) # 应返回正确计算结果3.2 Plan-and-Solve进阶练习问题2实现动态重规划机制解决方案class DynamicPlanner(Planner): def replan(self, question: str, failed_step: str, history: str) - list[str]: prompt f原问题: {question} 已执行步骤: {history} 失败步骤: {failed_step} 请分析失败原因并生成修正后的计划。 return self.plan(prompt)使用场景当某步骤执行失败时调用replan方法生成新计划继续执行修正后的计划3.3 Reflection深度应用问题3多维度论文评审机制设计实现方案MULTI_ASPECT_REFLECTION_PROMPT 你是一位学术论文多维度评审专家请从以下方面评价论文: 1. 逻辑性(权重40%): 论证是否严谨推理是否合理 2. 创新性(权重30%): 方法是否有原创性贡献 3. 表达质量(权重20%): 语言是否清晰准确 4. 格式规范(权重10%): 是否符合学术写作规范 请按以下格式输出评审结果: 逻辑性: [评分]/10, [具体意见] 创新性: [评分]/10, [具体意见] 表达质量: [评分]/10, [具体意见] 格式规范: [评分]/10, [具体意见] 综合评分: [加权总分]/10 主要改进建议: [具体建议] 4. 综合对比与应用建议4.1 范式选择矩阵需求特征推荐范式理由需要实时外部信息ReAct动态获取最新数据复杂逻辑推理Plan-and-Solve结构化分解保证正确性高质量输出要求Reflection迭代优化提升质量简单问答直接LLM调用无需复杂架构4.2 电商客服案例实现针对电商客服智能体需求架构选择核心流程Plan-and-Solve结构化处理争议决策Reflection优化回复质量必要工具订单查询工具物流状态API邮件发送服务政策知识库风险控制设置置信度阈值关键决策人工审核对话记录存档5. 开发经验与技巧5.1 提示词优化建议角色设定明确智能体的专业角色如资深算法工程师、严格评审专家格式控制使用python等标记增强可解析性示例[步骤1, 步骤2] # 明确的列表格式Few-shot示例提供典型输入输出对帮助模型理解预期行为5.2 工具设计原则接口标准化统一使用字符串输入输出示例def tool_api(input_str: str) - str:错误处理返回可读的错误信息便于智能体理解问题性能考量设置超时机制缓存常用结果5.3 调试技巧日志记录保存完整交互历史包括原始LLM输出测试策略边界条件测试压力测试长对话评估指标任务完成率平均交互次数用户满意度