中国最好的网站制作建网站如果不买域名别人能不能访问

ReAct Prompting: 原理、实现与应用

ReAct Prompting（推理与行动提示）是一种引导大型语言模型（LLM）进行推理和行动的策略，广泛应用于复杂问题求解、对话生成和自动化任务等领域。ReAct Prompting 通过将模型的思考过程结构化为一系列步骤，使模型能够像人类一样进行推理、执行行动，并根据反馈不断调整，达到更高的任务完成效果。本文将详细讲解 ReAct Prompting 的核心原理、具体步骤、实现方式，以及如何利用其变体 TQA（Think-Question-Answer）来辅助用户故事编写。

ReAct Prompting 的基本原理

ReAct Prompting 的核心思想是将模型的输出过程分为三个部分：思考（Thought）、行动（Action） 和 观察（Observation）。在每个步骤中，模型会进行推理思考、选择合适的行动，然后基于观察到的反馈继续调整推理。这种循环可以帮助模型在复杂任务中不断优化自己的输出。

ReAct Prompting 的典型步骤

一个典型的 ReAct Prompting 通常包含以下四个部分：

1. 上下文提示（Context Prompting）：为模型提供解决问题的背景信息。上下文可以帮助模型理解任务的具体场景和需求。

2. ReAct 步骤（ReAct Steps）：包括推理和行动的标准步骤。通常是“思考 - 行动 - 观察（Thought-Action-Observation）”的顺序。

3. 推理（Reasoning）：提示模型根据当前上下文进行思考和推理，例如“让我们一步步思考”或“根据现状进行推理”等。

4. 行动指令集（Action Instruction Set）：为模型提供一组可能的行动选择，使模型能够从中挑选适合当前推理的行动。

ReAct Prompting 模板的细节说明

在 ReAct Prompting 中，模板包含几个关键部分，每个部分都对应特定的业务场景和模型的交互方式：

1. {context}：表示业务整体的解决方案，涵盖主要的业务背景信息。如果 LLM 提出的问题包含了对基础概念或流程的误解，那么需要重新修改业务背景说明，这就意味着要调整模板中用于表示业务上下文的部分。

2. {story}：表示当前的用户故事。这个部分定义了当前需要讨论的用户操作场景。如果 LLM 提出的问题包含了对操作的误解，那么需要修改用户故事，即调整模板中表示用户故事的部分。

3. {history}：表示之前回答过的历史记录，用于跟踪多轮对话中的上下文。如果 LLM 提出的问题仅仅是关于交互细节的，那么我们只需要在会话中回答这些细节，这些信息会被记录在 {history} 部分，供后续参考。

典型 ReAct Prompting 示例

以下是一个标准的 ReAct Prompting 示例，展示了如何在英文和中文环境下分别应用：

英文示例：

Context: You are a software troubleshooting expert assisting a user with installation issues.
ReAct Steps:
1. Thought: Analyze the user's description of the problem.
2. Action: Choose an action based on the analysis.
3. Observation: Adjust your reasoning based on user feedback.Example:
- Thought: User encountered a permission error during installation.
- Action: Suggest running the software as an administrator.
- Observation: User reported the issue persists.

中文示例：

上下文提示：你是软件排障专家，正在帮助用户解决安装问题。
ReAct 步骤：
1. 思考：分析用户描述的问题。
2. 行动：根据分析选择适当的行动。
3. 观察：根据用户反馈调整推理。示例：
- 思考：用户在安装时遇到权限错误。
- 行动：建议用户以管理员身份运行软件。
- 观察：用户反馈问题未解决。

TQA（Think-Question-Answer）在 ReAct Prompting 中的应用

在理解 ReAct Prompting 的推理行动模式后，TQA（想 - 问 - 答）只是其中一种变体，提供了不同的响应步骤。在 TQA 中，模型不仅进行思考（Thought），还会主动提问（Question）来获取更多细节，并利用收到的答案（Answer）来丰富推理过程。TQA 特别适合用于编写用户故事的验收条件。

TQA 示例 Prompt 用于编写用户故事验收条件

以下是 TQA 模板的典型提示词，并附有注释说明每个部分的设计意图：

You are a business analyst who is familiar with specification by example. I’m the domain expert.
// 你是一个熟悉“示例驱动规格说明”的业务分析师，而我是领域专家。===CONTEXT{context}===END OF CONTEXT
// 提供上下文背景信息，帮助模型了解任务的具体场景和需求。
// {context} 表示业务整体的解决方案。如果 LLM 提出的问题包含对基础概念或流程的误解，需要调整这里的业务背景信息。===USER STORY{story}===END OF USER STORY
// 提供当前需要分析的用户故事，作为 ReAct 推理的输入。
// {story} 表示当前的用户故事。如果 LLM 提出的问题包含对操作的误解，需要调整这个部分。Explain the user story as scenarios. Use the following format:
// 使用场景解释用户故事，并遵循下面的格式进行描述。Thought: you should always think about what is still uncertain about the user story. Ignore technical concerns.
// 思考：模型需要思考用户故事中的不清晰部分，不涉及技术细节。Question: the question to ask to clarify the user story
// 问题：提出问题帮助澄清用户故事中的不确定性。Answer: the answer I responded to the question
// 回答：领域专家根据问题给出解答。… (this Thought/Question/Answer repeat at least 3 times, at most 10 times)
// …（思考-问题-回答的循环至少执行 3 次，最多不超过 10 次）Thought: I know enough to explain the user story
// 思考：当模型认为已经了解足够信息时，停止提问。Scenarios: List all possible scenarios with concrete example in Given/When/Then style
// 场景：模型最终将用户故事转化为多个具体的情景，使用 Given/When/Then 格式列出。
{history}{input}
// {history} 表示之前回答的历史记录。如果 LLM 提出的问题仅关于交互细节，可以直接在会话中回答，这些信息会被记入历史记录。

通过 LangChain 实现 ReAct Agent

LangChain 是一个用于将 LLM 集成到复杂应用中的框架，它支持通过定义 Prompt Template、Memory 和 Agent 实现 ReAct 提示词的自动化应用。以下是 ReAct Agent 的核心组件：

1. Prompt Template：定义 TQA 模板的格式，包括上下文提示、思考指令和行动指令。

2. Memory：用于存储模型的思考和观察，帮助在多轮对话中积累信息。

3. Agent：通过调用 LLM 执行 ReAct 步骤，自动完成推理、提问和响应。

LangChain 实现 TQA 的示例代码

from langchain.agents import initialize_agent, Tool
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI# 定义 TQA 模板
tqa_prompt = PromptTemplate(input_variables=["context", "story"],template="""You are a business analyst familiar with specification by example. I’m the domain expert.CONTEXT: {context}END OF CONTEXTUSER STORY: {story}END OF USER STORYExplain the user story as scenarios. Use the following format:Thought: you should always think about what is still uncertain about the user story. Ignore technical concerns.Question: the question to ask to clarify the user story.Answer: the answer I responded to the question.(Repeat the Thought/Question/Answer cycle at least 3 times, but not more than 10 times.)Thought: I know enough to explain the user story.Scenarios: List all possible scenarios with concrete examples in Given/When/Then style."""
)# 定义 LLM
llm = OpenAI(model="text-davinci-003")# 初始化 ReAct Agent
react_agent = initialize_agent(tools=[Tool(prompt=tqa_prompt, llm=llm)],agent_type="react"
)# 提供上下文和用户故事
context = "This is the business context explaining core concepts."
story = "User wants to be able to reset their password via email."# 执行 ReAct Agent
output = react_agent.run(context=context, story=story)
print(output)

TQA 实现的策略分析

• 引导模型思考与提问：通过上下文提示引导模型识别不确定性，并进行结构化提问。每次的提问和回答循环帮助逐步

澄清用户故事中的细节。

• 关注业务逻辑：在推理时忽略技术问题，确保输出的内容始终围绕业务逻辑展开。
• 自动生成验收场景：最终，TQA 的输出会将用户故事转换为多个验收条件，提供清晰、具体的场景描述。

结论

ReAct Prompting 与 TQA 模板为 LLM 的推理与行动提供了一套明确的框架，使其能够在复杂任务中更好地理解上下文，自动生成高质量的用户故事验收条件。这种方法不仅提高了 LLM 的交互质量，也为业务分析、测试设计等场景提供了强有力的支持。通过 LangChain 等工具的集成，ReAct Prompting 可以方便地应用于各类自动化任务中，为用户带来显著的效率提升。