通过思考-行动-观察循环理解 AI 智能体

在本节中，我们将探索完整的 AI 智能体工作流程，这是我们定义的思考-行动-观察 (Thought-Action-Observation) 循环。

然后，我们将探讨这些步骤中的每一个。

核心组件

智能体在一个持续的循环中工作：思考 (Thought) → 行动 (Action) 和 观察 (Observe)。

让我们一起分解这些行动：

• 思考 (Thought)：智能体的大语言模型 LLM 部分决定下一步应该是什么
• 行动 (Action)：智能体通过使用相关参数调用工具来采取行动
• 观察 (Observation)：模型对工具的响应进行反思

( 思考 - 行动 - 观察 ) 循环

这三个组件在一个持续的循环中协同工作。用编程的类比来说，智能体使用一个 while 循环：循环持续进行，直到智能体的目标被实现。

视觉上，它看起来是这样的：

加载图表中...

在许多智能体框架中，规则和指南直接嵌入到系统提示中，确保每个循环都遵循定义的逻辑。

在一个简化版本中，我们的系统提示可能看起来像这样：

你是一个有用的AI助手。你拥有访问各种工具的能力来帮助回答用户的问题。

可用工具：
- get_weather: 获取指定位置的天气信息

遵循这个思考过程：
1. 思考：分析用户的请求，确定需要什么信息
2. 行动：如果需要，调用相应的工具
3. 观察：分析工具返回的结果
4. 重复直到你有足够的信息来回答用户的问题

始终以"思考："开始你的推理过程，然后说明你的行动计划。

我们在这里看到，在系统消息中我们定义了：

• 智能体的行为
• 我们的智能体可以访问的工具，就像我们在上一节中描述的那样
• 思考-行动-观察循环，我们将其融入到大语言模型 LLM 指令中

让我们看一个小例子，在深入研究每个步骤之前理解这个过程。

小马懂天气(智能体)

我们创建了: 小马懂天气(智能体)

用户问小马："今天上海的天气如何？"

🤔 思考 (Thought)

内部推理：

在收到查询后，小马懂天气(智能体) 的内部对话可能是：

"用户需要上海的当前天气信息。我可以访问一个获取天气数据的工具。首先，我需要调用天气API来获取最新的详细信息。"

这一步显示了智能体将问题分解成步骤：首先，收集必要的数据。

加载图表中...

⚡ 行动 (Action)

工具使用：

基于其推理和小马懂天气(智能体) 知道有一个 get_weather 工具的事实，小马懂天气(智能体) 准备一个 JSON 格式的命令来调用天气 API 工具。例如，它的第一个动作可能是：

思考： 我需要检查上海的当前天气。

{
  "action": "get_weather",
  "action_input": {
    "location": "上海"
  }
}

在这里，动作清楚地指定了要调用哪个工具（如 get_weather）和要传递的参数（"location": "上海"）。

👀 观察 (Observation)

来自环境的反馈：

在工具调用之后，小马懂天气(智能体) 接收到一个观察结果。这可能是来自 API 的原始天气数据，如：

"上海当前天气：多云，35°C，湿度60%。"

这个观察结果然后被添加到提示中作为额外的上下文。它作为现实世界的反馈，确认行动是否成功并提供所需的细节。

🔄 更新的思考 (Updated Thought)

反思：

获得观察结果后，小马懂天气(智能体) 更新其内部推理：

"现在我有了上海的天气数据，我可以为用户编写答案了。"

✅ 最终行动 (Final Action)

然后小马懂天气(智能体) 生成一个按照我们告诉它的方式格式化的最终响应：

思考： 我现在有了天气数据。上海当前天气多云，温度35°C，湿度60%。

最终答案： 上海当前天气多云，温度35°C，湿度60%。

这个最终行动将答案发送回用户，完成循环。

🔍 关键洞察

我们在这个例子中看到：

1. 循环迭代直到目标实现

小马懂天气(智能体) 的过程是循环的。它从思考开始，然后通过调用工具采取行动，最后观察结果。如果观察结果表明有错误或数据不完整，小马懂天气(智能体) 可以重新进入循环来纠正其方法。

2. 工具集成

调用工具（如天气 API）的能力使小马懂天气(智能体) 能够超越静态知识并检索实时数据，这是许多 AI 智能体的重要方面。

3. 动态适应

每个循环都允许智能体将新信息（观察）整合到其推理（思考）中，确保最终答案是明智和准确的。

📊 完整流程图

加载图表中...

🎯 设计原则

在实现思考-行动-观察循环时，考虑以下原则：

1. 明确的思考过程

• 智能体应该明确说明其推理过程
• 每个决策都应该有清晰的逻辑依据

2. 有目的的行动

• 每个行动都应该朝着解决用户问题的方向前进
• 避免无意义或重复的工具调用

3. 反思性观察

• 智能体应该分析工具结果的质量和相关性
• 识别是否需要额外的信息或行动

4. 适应性循环

• 系统应该能够根据观察结果调整策略
• 具备错误恢复和重试机制

🔮 下一步

这个例子展示了 ReAct 循环背后的核心概念（这是我们将在下一节中发展的概念）：思考、行动和观察的相互作用使 AI 智能体能够迭代地解决复杂任务。

通过理解和应用这些原则，你可以设计出不仅能够推理其任务，而且能够有效利用外部工具来完成它们的智能体，同时基于环境反馈不断改进其输出。

现在让我们继续了解过程中的各个步骤：思考、行动、观察。