推理框架对比：ReAct、思维链(COT)和思维树(TOT)谁更胜一筹

最新推荐文章于 2025-03-07 22:18:37 发布
最新推荐文章于 2025-03-07 22:18:37 发布
阅读量2k 收藏 21
点赞数 27
分类专栏： 大模型（LLM） prompt 文章标签： COT TOT 推理优化 reAct LLM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/llm_way/article/details/145547225
版权

推理框架作为 AI 解决复杂问题的核心机制，正逐渐成为研究和应用的焦点。ReAct、思维链（Chain-of-Thought，CoT）（Chain-of-Thought (CoT)：引导大型语言模型解决问题的有效策略）和思维树（Tree-of-Thoughts，ToT）这三种推理框架各具特色，它们从不同角度模拟人类思维方式，为 AI 提供了多样化的问题解决策略。深入研究和比较这些框架，对于推动人工智能的发展、拓展其应用场景具有重要意义。

一、ReAct 框架：边推理边行动的智能决策

ReAct，即 “推理与行动”，是一种将推理和行动紧密结合的框架，让 AI 在解决问题时能够实时根据环境反馈调整策略。这一框架的核心在于反馈循环和情境感知。在反馈循环机制下，AI 执行每一个行动后，都会根据行动结果获取反馈信息，并利用这些信息优化后续行动。例如在机器人导航任务中，机器人每前进一步，都会通过传感器获取周围环境

最低0.47元/天 解锁文章
CoT及ReAct解密与实战（一）
段智华的博客
07-10 1280
这是现在业界比较流行的一句话了，对于一些简单的任务，把它分成具体的步骤是有效的。如图8-1所示，我们谈思维链的时候，一个最简单的、最基本的方式是，让它展示具体的步骤，左图是传统的零样本（Zero-Shot）提示词，构建一个问题（Question），去获得答案（Answer），右图是思维链（Zero-Shot-CoT）的改进，将答案（Answer）增加一个提示词：“Let’s think step by step”（“让我们一步一步地思考”），希望模型一步一步的输出推理步骤，然后给出结果。
CoT及ReAct解密与实战（三）
段智华的博客
07-10 1136
我们来看一下LangChain的官方文档，首先它很简单的说了一下，计划和执行代理（Plan and execute agents）首先计划要做什么，然后执行子任务来实现目标，言外之意ReAct不是这样的，我们在ReAct中看见的内容是，有一步具体的步骤，然后执行一个行动，然后再有一步具体的步骤，然后再执行一个具体的行动。在计划的末尾，写上”，这跟论文是一致的，这些都是非常高质量的提示词，会很清晰的告诉模型要干什么，这是计划器（planner）的部分。这就只剩下原来班级的55%。
大模型提示词推理架构对比：ReAct/CoT/ToT
IT大头的博客
02-28 1617
通过使用推理框架，AI变得更加像一个能够处理复杂任务的助手，而不仅仅是一台静态的机器。在本文中，我们将探讨三个关键框架：ReAct（推理与行动）、链式思维（CoT） 和 树形思维（ToT）。
智能体开发：推理-行动（ReAct）思维链提示
最新发布
大模型应用开发
03-07 1208
文本主要介绍了推理--行动提示（ReAct），这是一种利用大语言模型模拟人类智能的推理和行动过程的思维链提示。人类在处理复杂任务时会将言语推理和实际行动融合，ReAct也是如此，让大语言模型交替生成推理追踪和行动，并与外部工具交互获取反馈。文本还详细介绍了ReAct的两个阶段、提示格式、工具描述及回答过程，并通过两个具体例子进行演示。最后提到《AI原生应用开发：提示工程原理与实践》一书中有关于运用大语言模型进行推理的多种技术的精彩内容。
运维 + AI，你得先搞懂这些
n9ecommunity的博客
08-09 1348
Semantic Kernel和LangChain都是为了简化AI应用的开发，但它们的侧重点不同。Semantic Kernel更注重技能的定义和管理，而LangChain则更侧重于大型语言模型的组合和调用。选择哪个框架取决于具体的应用场景和需求。在我们的场景里我们更多的是考虑使用semantic kernel的方式来构建，不是说langchain不好，只是langchain的代码侧抽象的东西太厉害，本身架构也比较重，对于后期开发的运维和迭代成本比较高，我们现在的体量还太小，感觉自身玩不太动。
智能体框架--ReAct，让LLM像人一样思考和行动
Code1994的博客
01-20 1548
今天来看一篇来自普林斯顿、Google Brain等人发表在2023 ICLR上的经典智能体工作–ReAct。项目地址：https://github.com/ysymyth/ReAct?研究动机：现有的大语言模型虽然在语言理解和互动决策方面表现出色，但它们的推理能力和行动能力通常被分开研究。目前，在语言模型用于推理方面，最著名的工作是链式思维（Chain-of-Thought, CoT），它揭示了大型语言模型能够为解决问题制定自己的“思考程序”。
【AI大模型应用开发】从CoT到ToT，再到ReAct，提升大模型推理能力的方式探索（含代码）
同学小张的博客
05-04 6652
本文我们深入学习了改进大模型推理能力的三种方法：CoT、ToT、ReAct。并从使用和实现的角度，进行了详细讲解。
【AI技术】主流Agent思想研究——Cot+ReAct+Reflexion
AI_Gump的博客
06-20 2538
从24年初开始的时候，吴恩达（Andrew Ng）、Harrison Chase（LangChain创始人）等人开始在红杉资本AI论坛等公开场合，提倡Agent、workflow、flow engineering等概念，整个Agent和大模型结合的范式在2024年逐渐由学界研究转到终端应用的实际开发与实践上，大量的软件架构（Langchain、LlamaIndex、MetaGPT）等逐渐建设整个agent 生态吴恩达观点：2024年，目前通过Reflection（反思）和外部工具的调用，是比较成熟的技巧；通
大模型之CoT和ToT
谁怕平生太急
05-17 1310
将 ToT 框架的主要概念概括成了一段简短的提示词，指导 LLM 在一次提示中对中间思维做出评估。我的看法：如果模型足够强大，CoT和ToT的作用将大大减少。一句话总结：CoT和ToT都是Prompt技巧中的一种。，引导语言模型探索 把思维作为中间步骤 来解决通用问题。Chain-of-Thought 思维链。：Tree of Thoughts 思维树。ToT 基于思维链提示进行了。
驾驭思维链、思维树与ReAct：解锁大型语言模型的推理潜能
海棠AI实验室
02-22 782
随着人工智能的飞速发展，大型语言模型（LLM）在推理能力方面取得了突破性进展。本文将深入探讨三种强大的技术：**思维链 (CoT)**、**思维树 (ToT)** 和 **ReAct (Reasoning + Acting)**，它们不仅能增强LLM的推理能力，还能让它们处理那些远超简单问答的复杂任务。无论您是经验丰富的AI专家，还是对AI充满好奇的探索者，本文都将为您揭示这些推理范式如何将LLM转变为强大的问题解决引擎，并提供代码示例，助您亲身体验。
思维链(CoT)&思维树(ToT)
weixin_53697800的博客
03-28 1788
一.思维链示例来自于线上课程所学添加“请一步一步分析”：不添加“请一步一步分析”：（1）exp1（2）exp2实践体会：（1）个人觉得思维链这种技巧，在高级的模型上体现不明显，不使用"请一步一步分析"，使用gpt-4模型在情况下一样会返回true，使用gpt3.5少数情况下不使用思维链也会返回true（在较初级的模型上可能结合思维链效果体现的明显（2）实践结果确实体现出思维链的作用，即可以使AI把问题分解成多个步骤，然后逐步解决，输出的结果更加准确。
【AI大模型应用开发】精读ToT：论文到源码，看透ToT思维树的实现流程
同学小张的博客
05-02 2292
本文学习了一下ToT（Tree of Thoughts，思维树）的论文以及源代码，从源码角度详细分析了整个流程：一个大循环，循环内先生成候
【AI大模型应用开发】LATS：比ToT和ReAct更强大的大模型思维框架
同学小张的博客
05-14 1922
我们在大模型中常听说CoT（思维链）、ToT（思维树），还有最近比较火的Agent中常用的ReAct框架。这还不够，最近又发现了一种更高级的框架：LATS（Language Agent Tree Search），它比ToT和ReAct框架更复杂，相应的能力也更强。
09｜代理（上）：ReAct框架，推理与行动的协同
weixin_39924752的博客
03-18 522
也就是说，因为缺乏和外部世界的接触，大模型只拥有训练时见过的知识，以及提示信息中作为上下文提供的附加知识。如果你问的问题超出它的知识范围，要么大模型向你坦白：“我的训练时间截至XXXX年XX月XX日”，要么它就会开始一本正经地胡说。
【LangChain学习之旅】—（12） 代理（上）：ReAct框架，推理与行动的协同
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
03-10 357
这节课我们介绍了什么是 LangChain 中的代理，更重要的是，我们介绍了代理自主行动的驱动力—— ReAct 框架。通过 ReAct 框架，大模型将被引导生成一个任务解决轨迹，即观察环境 - 进行思考 - 采取行动。观察和思考阶段被统称为推理（Reasoning），而实施下一步行动的阶段被称为行动（Acting）。在每一步推理过程中，都会详细记录下来，这也改善了大模型解决问题时的可解释性和可信度。
TOT思维树：从单向路径，到实现多样思维，每个节点为中间步骤 + 分支为潜在解决路径
Debroon
05-22 1710
目的：ToT框架的主要目的是提供一种结构化和系统化的方法来解决复杂的问题，通过模拟和扩展人类的思维过程来生成、评估和选择最佳解决方案。ToT框架通过维护一颗思维树，其中每个思路都是朝着解决问题的中间步骤，使LM能够通过自我评估中间思路的进展来进行深思熟虑的推理过程。这是最复杂的方法，它不仅生成多个思维步骤，还形成了一个思维树，其中包含多个可能的问题解决路径。这种方法是对思维链方法的扩展，它生成多个独立的思维链，并通过多数投票来决定最终的输出。
大模型ReAct框架——打造AI Agent的代码实现——基于LLM + Function Call构建Agent
Python_cocola的博客
08-27 1843
AI Agent也就是AI智能体，是通过把大模型作为“大脑”，通过利用大模型的推理和规划能力，然后调用外部工具来完成复杂任务的一种方式。简单来说，Agent就是一种让大模型自己思考和分析问题，选择合适的工具，最终解决问题的一种方法，其背后原理就来自于ReAct。ReAct是Reasoning And Acting的缩写，意思是LLM可以根据逻辑推理(Reson)，构建完整系列行动(Act)，从而达到期望目标。
从0到1开发AI Agent（智能体）（二）| 智能体推理引擎ReAct框架的快速入门
lyy2017175913的博客
12-15 1839
我们已经设置了大模型实例，接下来配置工具–此处只有一个搜索工具。# 导入SerpAPIWrapper即工具包# 实例化SerpAPIWrapper# 准备工具列表tools = [Tool(description="当大模型没有相关知识时，用于搜索知识"),SerpAPIWrapper是一个包装器，其中封装了与SerpApi的交互以便通过编程方式访问 SerpApi提供的搜索服务。SerpApi是一个服务，它提供了对多个搜索引擎(如 Google、Bing 等)的查询接口。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大模型之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值