wordpress w3c/结构优化设计
ReAct: Synergizing Reasoning and Acting in Language Models
[2210.03629] ReAct: Synergizing Reasoning and Acting in Language Models
ICLR 2023
这是一篇在2022年挂出来的论文，不要以现在更加强大且性能综合的LLM来对这篇文章进行批判。
思想来源于作者对人类行为的分析：在人类从事一项需要多个步骤的任务时，而步骤和步骤之间，或者说动作和动作之间，往往会有一个推理过程
以做一道菜为例，切好菜和打开煤气之间，有一个这样的推理，或者说内心独白：”现在我切好菜了，后面要煮菜了，我需要打开煤气。“在做菜过程中，如果发生意外，发现没有盐时，有这样一个推理：”没有盐了，今天我就用胡椒粉调味“，然后我们就会去拿胡椒粉。
基于这样的洞察，作者提出的方法：让大模型把内心独白说出来，然后根据独白做相应的动作来提高LLM答案的准确性。
乍一看，好像就是思维链COT方案，但是实际上是融合了动作执行，比如主动去搜索引擎搜索答案、翻阅文档等
就像下面图1中，
直接询问LLM，得到的是iPod这个作物的答案
使用思维脸：答案错误，思维脸的范式也是在胡编乱造，因为模型内部参数并不知道正确的答案，COT也只是猜想结果
使用动作范式：隐式推理，对LLM的推理能力要求很高，因为直接隐去了思考过程，只去执行一些动作。在当时，单纯使用LLM本体的推理能力是无法得到正确答案的，因此这篇文章有很高的价值，不要使用当今的价值观评判当时背景下的成功。
最后是ReAct方案：reasoning+action，推理+动作。显示推理，加之以动作，让AGENT自主找到了答案，就像一个笨孩子需要把想法写出来，综合考虑所有 的想法和观察结果然后做处动作，从结果上看是可以的，因为找到了正确答案。
这项工作提出了一种通用的范式，将推理和行动与语言模型相结合，以解决各种语言推理和决策任务。
提示 LLM 以交错的方式生成与任务相关的语言推理痕迹和行动，这允许模型执行动态推理来创建、维护和调整用于行动的高级计划（推理以行动），同时还与外部环境（例如维基百科）交互以将附加信息纳入推理（行动以推理）。
集成推理+行动
对于一个和周围环境进行交互来解决任务的agent，某一个时刻t，agent从环境中得到了观察结果ot∈𝒪，并且遵循策略 π(at|ct) 采取动作 at∈𝒜，其中 ct=(o1,a1,⋯,ot−1,at−1,ot) 是agent的上下文(context)。
当ct↦at的映射是隐形的并且需要大量计算时，学习一个策略是有挑战的。 比如在上图的(1c)和(2a)都没有执行最终的正确动作。
而ReAct的思想很简单：将agent的动作空间增强变成 行动空间与语言空间的并集 。一个属于语言空间的动作a^t∈ℒ，被称为thought 或reasoning trace，它不影响外部环境，因此也不会有观察反馈。一个thought a^t意在对现有上下文c_t推理来组合出有用的信息，并更新上下文c t + 1 = ( c t , a^t)以支持将来的推理或动作。
在上面的图1中，有用的thought的类型不定：
- 拆分任务目标和创建行动计划（2b,Act 1; 1d, Thought 1）
- 注入解决任务相关的常识知识（2b, Act 1）
- 从观察中抽取重要的信息（1d, Thought2,4）
- 跟踪进度和行动计划（2b, Act8）
- 处理异常和调整行动计划（1d, Thought 3）等等
因为语言空间L是无限的，从这个增强空间学习是困难的并且需要很强的语言先验知识。在本文中，作者主要使用语言模型：PaLM-540B，在解决任务时使用few-shot上下文例子prompt模型来生成领域相关的动作或者thought，比如上面图中的(1d),(2b)。
每一个上下文例子是人工生成的用来解决任务实例的动作、thoughts和环境观察的轨迹
对于推理更重要的任务（上图中的(1))，作者交替生成思考和动作，所以任务轨迹是包括多个“thought-action-observation"步骤。 而对于像上图中的(2)的决策任务会涉及到很多动作，thoughts只需要在轨迹中最相关位置稀疏的出现，所以作者们让语言模型自行决定thought和动作的异步发生。
因为ReAct包括决策和推理能力，所以作者们认为它有几个独特特征：
- 直观且易于设计：人类标注员将自己采取动作时的想法写上就可以了，没有特别的格式要求。
- 通用且灵活：因为不限格式，thought空间也没有限制，所以适用且不限于各种任务：QA、事实验证、文字游戏、网页浏览等。
- 高效且健壮： 只用1-6个上下文例子，ReAct对新的例子显示出强的泛化性，在不同领域内相比于只推理或只行动的基线效果都更好。
- 与人类一致且可控： ReAct的轨迹是可解释的，人很容易检查推理和事实的准确性。并且在过程中人也可以编辑thought来进行控制和纠正agent的行为
后续就是在知识密集型推理任务和决策任务上面进行实验