网站建设 教学论文男孩子怎么做网站

网站建设 教学论文,男孩子怎么做网站,西安哪家网站建设好,做英文网站费用多少最近有学员出去面试#xff0c;他们面试的岗位为AI应用工程师、Agent应用工程师或者AI产品经理#xff0c;而最近经常会遇到的一个问题是#xff1a;什么是ReAct#xff0c;他主要是来解决什么问题的#xff1f;怎么说呢#xff0c;这个问题问的太大了#xff0c;他其实…最近有学员出去面试他们面试的岗位为AI应用工程师、Agent应用工程师或者AI产品经理而最近经常会遇到的一个问题是什么是ReAct他主要是来解决什么问题的怎么说呢这个问题问的太大了他其实不太适合作为一般岗位的面试题的。但要注意这不是说ReAct不重要相反ReAct本身很重要只不过要完全理解几乎需要将整个Agent架构梳理清楚所以多数人不大可能回答好这个问题另一方面对于多数人这个词汇是比较**“低频”**的因为多数中小型公司老板在用Agent做融资、讲故事不准备真用Agent解决生产问题所以很多同学并没有相关实践的机会最终的结果就是多数人只在一些文章读到过整体是很模糊的。所以ReAct是什么呢ReAct Reason Act是 2022 年 Google/Princeton 提出的一个范式**Reasoning**让LLM思考为什么和如何执行行动**Acting**让LLM执行具体行动并与环境交互**循环反馈**通过观察结果驱动下一步推理翻译翻译就是先思考、再执行但这个好像并不能回答为什么、是什么、如何做问题所以就得追根溯源了Why ReAct从模型的演进来说我们想解决的是他只能想/说不能做的问题。在这个基础上我们提出了Function Calling/MCP其基本语法就是预设一些工具挂在模型请求上每次由模型根据用户问题与工具参数描述、name等做判断是否调用。比如最经典的问题**成都这两天天气怎么样**想要由模型自动调用就需要这样写# 把“工具”挂在模型上这里是一个 get_weather 函数{type: function,function: { name: get_weather, description: 查询未来几天某个城市的天气预报, parameters: { type: object, properties: { city: { type: string, description: 城市名例如成都 }, days: { type: integer, description: 查询多少天的预报1-7 } } required: [city, days] } }}基本交互模型确定后紧接着问题就出现了真实场景工具太多、用户的问题太模糊、用户的意图过多…反正所有的问题叠加在一起就一句话模型在工具调用一块表现很差。于是这个时候思维链CoT就出现了他需要对用户问题进行分析将复杂的问题分解为一个个小步骤小工具调用再看着这些工具一个个执行成功一个再执行下一个希望由此增加整体AI产品体验最后总结一句ReAct想要解决的核心问题是把 “会思考” 和 “会操作外部世界” 这两件事绑在一起形成一个可观察、可迭代的任务。接下来我们用个简单例子来看看ReAct架构详细实现ReAct架构核心首先ReAct架构是一套循环流程... → 推理(Thought) → 行动(Action) → 观察(Observation) → ...这一范式的核心是在**“思考-行动-观察”的循环中完成任务。也就是说Agent一边思考如何解决问题一边调用工具获取信息然后根据观察**到的结果调整下一步计划直到得出最终答案。下面通过一个实例演示这个过程**2018 年世界杯冠军国家的总统是谁**他可能的完整过程是**Thought**用户的问题是“2018年世界杯冠军国家的总统”。这是一个复合问题需要拆解成两个步骤首先找到2018年世界杯的冠军是哪国然后查明该国的总统是谁**Action**调用搜索引擎工具查询关键词2018 年世界杯 冠军**Observation**返回“2018年世界杯冠军是法国。”**Thought**Agent得知冠军国家是法国。需要知道法国总统是谁**Action**再次调用搜索引擎工具查询关键词“法国总统是谁”**Observation**搜索结果显示“法国现任总统是埃马纽埃尔·马克龙Emmanuel Macron。”**最终回答**综合前面的信息Agent回答用户“2018 年世界杯冠军法国的总统是埃马纽埃尔·马克龙。”在解题过程中Agent经历了两轮**“思考→行动→观察”**的循环逐步把复杂问题拆解并求解。现在业内普遍认为并且有数据证明CoT可以有效降低模型幻觉这也是ReAct的重要意义之一接下来我们来看看简单实现一、状态管理├── 全局状态 (GlobalState)│ ├── task_id: query_│ ├── original_query: 2018世界杯冠军国家的总统是谁│ ├── task_graph: 任务依赖图│ └── verified_facts: {france_won_2018: true}│├── 会话状态 (SessionState)│ ├── current_plan: 当前执行计划│ ├── available_tools: [search, calculator, ...]│ └── context_window: 最近10轮思考-行动历史│└── 执行状态 (ExecutionState) ├── step_id: step_001 ├── current_action: {tool: search, params: {...}} └── partial_results: {}Agent架构实现到最后难点大概都是上下文设计现阶段常用的技巧是用一个“记事本”来记录复杂任务的信息包括用户问了什么已经知道什么尝试过什么方法哪些信息被验证过…要在AI工程中实现上述问题本身就挺难的我们用的这种分层设计允许系统在不同粒度上管理状态避免单一状态对象过于臃肿、也避免了整体项目复杂度。这里具体的实现我们就不展开了大家可以去OpenManus看看我们这里给出伪代码即可状态对象 { 任务ID: 查询_001, 原始问题: 2018世界杯冠军国家的总统是谁, 已验证事实: { 冠军国家: 法国, 法国总统: 马克龙 }, 思考记录: [这是一个复合问题需要两步...], 行动记录: [ {工具: 搜索, 查询: 2018世界杯冠军}, {工具: 搜索, 查询: 法国总统} ], 当前步骤: 3}二、决策引擎基础状态设计也可以叫上下文工程是第一步第二步将AI的思考过程展示出来就像我们解题过程分析当前情况确定还需要什么信息选择获取信息的方法Tools评估结果并决定下一步具体代码也不写了整个流程如图开始 ↓分析当前状态 ├── 已有足够信息 → 生成答案 ├── 需要外部信息 → 选择工具执行 └── 需要更多分析 → 深入思考 ↓执行决策 ↓更新状态 ↓检查是否完成 ├── 是 → 结束 └── 否 → 回到分析当前状态三、工具调用如上所述除了自身能力AI解决问题的办法只有Tools调用包括这里用到的搜索引擎工具以及我们最常见的知识库查询工具只要模型需要对外交互那么都是工具调用而ReAct模式中工具调用的部分流程很固定1. 匹配需求 → 确定需要什么工具2. 选择工具 → 哪个工具最适合3. 准备参数 → 工具需要什么输入4. 执行调用 → 运行工具获取结果5. 验证结果 → 检查结果是否可靠四、案例流程代码化这里问题依旧是2018世界杯冠军国家的总统是谁这里第一步就是状态初始化{ 任务: 2018世界杯冠军国家的总统是谁, 已知: {}, 需要: [2018冠军国家, 该国总统]}然后是首次决策AI思考: 这是一个复合问题先要找到冠军国家AI行动: 使用搜索工具查询2018世界杯冠军结果: 2018年世界杯冠军是法国队更新状态: 添加冠军国家法国然后是二次决策AI思考: 知道了冠军是法国现在需要法国总统信息AI行动: 使用搜索工具查询法国现任总统结果: 法国现任总统是埃马纽埃尔·马克龙更新状态: 添加法国总统马克龙最终在这个基础下生成答案AI思考: 已收集全部信息可以回答AI回答: 2018年世界杯冠军是法国法国总统是埃马纽埃尔·马克龙上述流程在倒推时候好像很简单但真的人模型一步步踩在点上其实是有点难的尤其是在复杂业务场景上比如有很多问题要考虑如何判断信息是否足够如何选择搜索关键词如何处理不确定性…上述每一次步骤失误就要完犊子所以生产项目会有很多纠错纠错的结果就是很浪费时间和Token。下面是一些小技巧五、小技巧首先Thought的组织与生成是比较关键的他的输入是状态信息和预设工具输出是下一步行动计划这里提供一套不错的模板基于当前已知信息 {已知信息}我们还需要 {缺失信息} 来回答问题。下一步应该 {行动计划}使用 {工具名称}其次在某些时候工具会很多为防止模型乱调用一般是需要对工具进行建模评分的比如需求查询实时天气候选工具1. 天气API实时、准确→ 得分 902. 网页搜索可能过时→ 得分 603. 历史数据库非实时→ 得分 30当然你说建模没问题具体依旧还是AI判断是否有可能不准这个是有可能的而且暂时没办法避免…然后就是持续的状态管理AI乱不乱状态上下文说了算1. 分层存储短期记忆 长期记忆2. 智能压缩保留关键信息删除冗余3. 版本控制支持回滚到之前状态4. 依赖跟踪记录信息之间的关联最后所有的AI产品都是需要测试数据集的或者说需要一套好坏评估标准比如任务完成率用户问题被正确解决的比例平均响应时间从提问到获得答案的时间对话轮次平均需要多少轮交互用户满意度用户对答案的评价思考质量AI思考的相关性和有效性工具准确率工具返回正确结果的比例循环效率平均每个问题需要的循环次数资源消耗API调用次数、Token使用量…这里就扯远了我们就不展开了…结语没有完美的价格ReAct与生俱来的会具有一些缺陷这里也需要提一嘴一、响应时间过长/耗Token当前大家都知道模型是不可尽信的为了保证输出的稳定性可能在流程上会有2次乃至3次校验这样来回的结果就是Agent的响应时长很忙并且Token消耗也很快。比如最近一个Manus的案例就是用户一次PPT就把一个月的Token用完了并且PPT还没完成于是投诉要求退款。二、过度思考过度思考的原因是模型带来的有可能换个模型就好了但问题还是如第一点所示AI并不知道问题简单与否从保险的情况下他情愿在简单的场景下也多加验证比如问题在简单问题上过度分析原因缺乏问题复杂度判断可能的解决方案又 • 添加问题分类器简单/复杂 • 为简单问题设计快捷通道 • 设置思考预算Token限制三、工具问题虽然现在GPT本身也是支持MCP的但是很多公司在使用的时候其实还是喜欢桥接一层底层自己调用Function Calling原因很简单没有生产级AI应用会毫无保留的使用第三方服务四、状态混乱应该说这不是ReAct的问题只要是复杂的AI项目只要涉及到意图识别那么上下文工程就会很复杂如何做好分层信息设计这就是AI工程的核心了这里不做展开……虽然ReAct有这样那样的问题但并不妨碍他现在成为事实上的标准了。现在回归面试题ReAct是什么呢ReAct是一套Agent的交互模型他的作用是让模型具有链接外部世界的能力并且尽可能降低幻觉的发生需要特别强调的是ReAct的全局日志是可调式、可观测的这也变相提高了我们AI产品的可控性。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”