大模型应用不同提示词范式和ReAct Agent智能体实现原理分析

ReAct Agent基于思考-行动-观察的智能体，简单来说就是让智能体有更强的规划和逻辑推理能力，并且能够依靠自身去解决问题。

在前面的几篇文章中介绍了关于智能体的内容，以及大模型与提示词之间的关系；而今天我们再来仔细分析一下智能体的运作流程。

总之一句话，智能体的核心就是LLM大模型，其主要操作载体是Prompt提示词。

在应用大模型的过程中，提示词是使用大模型的唯一入口；而为了激发大模型的潜力，因此根据不同的应用场景，出现了多种不同的提示词范式；包括思维链(Cot)，ReAct，In learning context等多种范式。

从根本上看，所有与大模型的交互确实都通过提示词（Prompt）实现，模型本身仅暴露一个文本输入/输出接口。In-Context Learning (ICL)、Chain-of-Thought (CoT) 等技术本质上都是针对提示词的结构化设计范式，旨在更高效地激发模型能力。

不同范式的核心差异：信息注入方式

虽然底层统一，但不同范式通过提示词向模型注入不同类型的信息结构：

所以，从本质上来说任何对大模型的操作都是基于提示词的操作。

智能体的运作流程说起来很复杂，但其实也很简单；简单来说就是，把大模型当做一个“人”或者员工，然后把需要的工具给它(tools，本质上就是一个函数)，然后告诉它你的需求是什么；之后，就完全由它自己理解你的需求，然后借助自身能力或者使用外部工具来完成任务。

首先，初始化大模型，并把工具绑定到大模型，

其次，大模型接收到用户输入，并理解需求判断是自身能够解决还是需要调用外部工具解决；如下图所示查询天气，就需要调用天气查询工具，在langchain中，如果需要调用工具，则大模型会返回tool_calls工具列表。

当大模型返回tool_calls调用工具时，langgraph就会通过边流转到ToolNode节点，然后在工具节点中调用外部接口并获取结果。

当工具调用返回结果之后，再把结果传给大模型，让大模型判断结果是否能解决用户的问题；如果不行，则继续下一步；否则，则结束；当然，为了防止无限循环调用导致任务无法结束，因此还增加了默认的超时次数，当超过25次问题还没解决，则直接抛出异常。

# Define our tool node# 工具执行过程def tool_node(state: AgentState):      outputs = []      # LLM会返回调用工具的函数名 以及其参数  for tool_call in state["messages"][-1].tool_calls:            tool_result = tools_by_name[tool_call["name"]].invoke(tool_call["args"])            outputs.append(                  ToolMessage(                        content=json.dumps(tool_result),                        name=tool_call["name"],                        tool_call_id=tool_call["id"],                    )               )       return {"messages": outputs}