Ying’s Blog
·
LLM Paper&Practice：从 CoT 到 ReAct
💡
原文中文，约11800字，阅读约需28分钟。
📝
内容提要
本文总结了思维链（CoT）和 ReAct 两种大模型应用范式。CoT 通过逐步推理提升模型在复杂问题上的准确性，而 ReAct 则结合思考与行动，使模型能够与外部世界交互，克服知识过时等问题。这两种方法的演进展示了从封闭知识库到智能代理的转变，强调了推理能力与可控性之间的平衡。
🎯
关键要点
- 思维链（CoT）是一种提示技术，通过逐步思考的范例引导模型输出详细的推理过程，提升复杂问题的准确性。
- CoT 强调过程而非结果，帮助模型在处理复杂问题时避免错误结论。
- ReAct 范式是 CoT 的演进，结合了推理和行动，使模型能够与外部世界交互，克服知识过时的问题。
- ReAct 的核心机制是思考、行动和观察的循环，允许模型主动获取实时信息。
- ReAct 通过引入工具，使模型从封闭的知识库转变为智能代理，拓展了应用边界。
- 在实践中，ReAct 依赖精心设计的提示和外部控制循环来实现其功能。
- 当前的 Agent 技术仍存在脆弱性，模型和提示的组合对结果影响显著，需不断优化。
❓
延伸问答
思维链（CoT）是什么？
思维链（CoT）是一种提示技术，通过逐步思考的范例引导模型输出详细的推理过程，从而提升复杂问题的准确性。
ReAct范式与CoT有什么区别？
ReAct范式是CoT的演进，除了推理能力外，还引入了行动的概念，使模型能够与外部世界交互，克服知识过时的问题。
ReAct的核心机制是什么？
ReAct的核心机制是思考、行动和观察的循环，允许模型主动获取实时信息并进行决策。
为什么需要使用思维链（CoT）？
CoT可以帮助模型在处理复杂问题时避免错误结论，提升推理任务的准确性，尤其是在数学和逻辑推理方面。
ReAct如何克服知识过时的问题？
ReAct通过引入行动，使模型能够调用外部工具获取实时信息，从而克服知识过时的缺点。
当前Agent技术存在哪些脆弱性？
当前的Agent技术对模型和提示的组合高度敏感，模型的选择和提示的微小变化可能导致整个控制链的崩溃。
➡️
