概述
ReAct 设计模式首次提出于 2022 年的论文《ReACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS》。当时 ChatGPT 还没有出现，这一设计模式让大型语言模型（LLM）能够学会使用工具，具有一定的开创性。
工作原理
ReAct 的原理非常简单。在 ReAct 出现之前，推理（Reasoning）和行动（Acting）是分开的。ReAct 方法的核心是让模型生成交替的推理和行动步骤。这种方法允许模型在推理过程中制定、跟踪和更新行动计划，并处理例外情况。同时，模型可以通过行动与外部信息源（如知识库或环境）进行交互，以获取更多信息来支持推理过程。
例如，在一个复杂的问答任务中，ReAct 模型可以先通过推理确定需要搜索的信息，再通过行动进行搜索，获取结果后继续推理。
创新点
ReAct 方法的创新点包括：
- 减少幻觉和错误传播：通过与外部信息源（如维基百科 API）的交互，ReAct 模型在问答和事实验证任务中有效减少了幻觉和错误传播问题。
- 提高可解释性和可信度：ReAct 生成的任务解决过程更具可解释性，使人类更容易理解模型的决策基础。
- 超越单一方法：在交互决策任务中，ReAct 模型表现优于模仿学习和强化学习方法，展示了更高的成功率。
ReAct 设计模式举例
问题：在这座城市中，我可以去哪里找到一家评价好的日料店？
ReAct 模型的工作流程：
- 推理：
- 思考：“我要找一家评价好的日料餐厅。我可以先搜索一下这座城市中所有日料店的列表。”
- 行动：
- 行动：“搜索‘这座城市的日料店’。”
- 观察：“结果显示了一些日料店的名称和地址。”
- 推理：
- 思考：“接下来，我需要查看这些餐厅的评价。可以在搜索结果中选择一个餐厅，然后查找它的评价。”
- 行动：
- 行动：“搜索‘餐厅 A 的评价’。”
- 观察：“餐厅 A 的评价是 4.5 星，评价内容提到了食物美味，服务好。”
- 推理：
- 思考：“餐厅 A 的评价很好，但我还需要多比较几家餐厅。继续查看其他餐厅的评价。”
- 行动：
- 行动：“搜索‘餐厅 B 的评价’。”
- 观察：“餐厅 B 的评价是 4.0 星，评价内容提到了价格合理，但服务稍差。”
- 推理：
- 思考：“综合来看，餐厅 A 的评价更高，评价内容也更好。”
- 行动：
- 行动：“决定去餐厅 A。”
通过 ReAct 模型，你找到了一个评价很好的日料店，并且通过交替使用推理和行动的步骤，确保了决策的可靠性和信息的准确性。