AI设计模式理解与能力选择
一、ReAct（推理与行动）
推理方式与控制逻辑
- 核心循环：
Thought → Action → Observation 的闭环迭代：- Thought：LLM 分析当前状态，生成下一步计划（如：“需查询实时数据，调用搜索工具”）
- Action：执行预定义工具（如
WebSearch("2025年加拿大人口")），输出结构化调用指令 - Observation：获取工具返回结果，作为下一轮推理输入（如：“人口为3800万”）
- 终止条件：当 Action 输出
Finish或达到最大迭代次数时终止
适用场景
- 动态交互任务：需实时调取外部数据的场景（如：新闻事实核查、多源信息交叉验证）
- 中低复杂度决策：步骤可动态调整的任务（如：客服问题分层解答、游戏AI行动规划）
- 高透明度需求场景：医疗诊断、金融审计等需可追溯决策链的领域
二、CodeAct（代码化行动）
推理方式与控制逻辑
- ReAct的演进：将 Action 替换为代码生成与执行：
- Thought：分析需求，确定需动态生成的代码逻辑（如：“需用Pandas清洗数据”）
- Code Generation：生成可执行代码（如Python脚本）。
- Code Execution：在沙箱中运行代码，捕获结果或错误
- Self-Debugging：若执行失败，基于错误信息重写代码
技术挑战
- 安全沙箱：必须隔离代码执行环境，防止系统资源滥用
- 复杂日志追踪：需记录代码I/O、异常堆栈，调试难度高于传统ReAc
适用场景
- 数据科学任务：动态生成数据分析、可视化脚本（如：实时建模预测）
- API编排与胶水代码：整合多源API（如：爬取数据→清洗→入库）
- 自动化开发：生成补丁、完成小型功能开发（如：修复TypeError）
三、Agentic RAG（智能体化检索增强）
推理方式与控制逻辑
- 传统RAG的升级：将检索过程嵌入ReAct循环：
- 迭代优化查询：根据初始检索结果，动态重写查询词（如：扩展关键词、修正语义）
- 多源异构检索：从数据库、知识图谱、互联网等多渠道交叉验证信息
- 内容质量评估：过滤低置信度内容，仅采纳可靠信源
适用场景
- 研究型任务：学术文献综述（需综合多篇论文结论）
- 法律/合规分析：从法规库中定位关联条款并比对差异
- 医疗诊断支持：整合患者历史记录与最新医学指南
四、Self-Reflection（自我反思）
推理方式与控制逻辑
- 双层优化机制：
- 计划反思：生成初始计划后立即审查逻辑漏洞（如：“步骤3依赖未验证数据，需优先检索”）
- 结果反思：任务完成后总结成功/失败原因，存入案例库供未来参考
- 关键技术：
- 使用 对比学习微调，奖励高效决策链，惩罚冗余或错误路径
效能提升
- 错误率降低：实验显示可减少30%-50%的幻觉与逻辑错误
- 长周期任务优化：通过记忆机制避免重复探索（如：游戏AI学习通关策略）
适用场景
- 高风险决策：自动驾驶中的突发路况处理（实时反思调整策略）
- 复杂项目管理：多智能体协作时协调资源分配（如：调整失效任务优先级）
模式对比与选型指南
| 模式 | 核心优势 | 典型局限 | 适用场景 | 代表框架 |
|---|---|---|---|---|
| ReAct | 响应快、透明度高 | 全局规划弱 | 动态交互任务 | LangChain, AutoGen |
| CodeAct | 行动灵活性极强 | 安全风险高、调试复杂 | 代码生成/复杂API编排 | GPT-Engineer |
| Agentic RAG | 信息整合深度优 | 计算开销大 | 研究/合规分析 | LlamaIndex, Haystack |
| Self-Reflection | 错误率显著降低 | 需大量案例训练 | 高风险决策/长周期任务 | Reflexion, MemGPT |
选型建议：
- 优先 ReAct：需快速响应且工具链固定的场景（如客服机器人）。
- 选择 CodeAct：处理非结构化任务（如动态数据清洗）。
- 采用 Agentic RAG：知识密集型复杂推理（如法律研究）。
- 嵌入 Self-Reflection：对错误容忍度低的领域（如医疗、自动驾驶）