“ 大模型应用提示词是核心，但智能体中大模型是核心，大模型会接收用户输入和工具调用结果，同样也会返回思考过程和调用参数。”

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：

范式 提示词设计目标 典型结构 类比
Zero-Shot 直接指令传递 指令: <任务描述> 命令行
ICL (Few-Shot) 隐式传递任务规则 示例输入→输出\n...\n新输入→？ 演示教学
CoT 强制分步推理 问题:... 让我们一步步思考: ... 思维导图模板
Self-Consistency 多路径探索 生成多个CoT路径后投票 蒙特卡洛采样
Tool-Use 定义外部工具协议 用JSON/YAML声明工具调用规范 API文档
ReAct 交织推理与行动 Thought:... Act:... Obs:... 自动化工作流

为什么需要多种范式？

因单一线性提示词无法覆盖所有任务需求，需通过结构化设计解决：

任务痛点 适配范式 解决方式
模型不懂任务格式 ICL 示例演示规范
模型跳跃式推理 CoT 强制分步思考
单一路径可能错误 Self-Consistency 多路径投票
需调用外部工具 Tool-Use 定义工具调用协议
需动态规划行动 ReAct 循环执行"思考-行动"

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

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，

1

# 初始化模型model = init_chat_model("model")tools = ['工具集']# 绑定工具model = model.bind_tools(tools)

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。

img

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。

img

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。

1

# 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}

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。