Ερωτήσεις Συνέντευξης AI Σειρά 6: Οι Τρεις Βασικές Μεθοδολογίες του AI Agent: ReAct, Plan-and-Solve και Reflection

Οι Τρεις Βασικές Μεθοδολογίες του AI Agent: ReAct, Plan-and-Solve και Reflection

Ο AI Agent είναι ένας ευφυής πράκτορας που μπορεί να αντιλαμβάνεται αυτόνομα το περιβάλλον, να λαμβάνει αποφάσεις και να εκτελεί ενέργειες. Οι βασικές μεθοδολογίες του είναι τρεις: ReAct, Plan-and-Solve και Reflection. Παρακάτω παρουσιάζονται με διαγράμματα ροής και παραδείγματα κώδικα.

1. ReAct (Reasoning + Acting)

Βασική Ιδέα: Εναλλαγή μεταξύ συλλογισμού (Reasoning) και δράσης (Acting). Ο Agent σε κάθε βήμα πρώτα σκέφτεται την τρέχουσα κατάσταση και το επόμενο βήμα (συλλογισμός), στη συνέχεια εκτελεί μια ενέργεια (π.χ. κλήση εργαλείου, αναζήτηση πληροφοριών) και βάσει του αποτελέσματος συνεχίζει τον συλλογισμό.

Διάγραμμα Ροής:

[Αρχική κατάσταση] → [Συλλογισμός: Σκέψη επόμενου βήματος] → [Δράση: Εκτέλεση ενέργειας] → [Παρατήρηση αποτελέσματος] → [Συλλογισμός: Ενημέρωση σχεδίου] → ... → [Τελική απάντηση]

Παράδειγμα Κώδικα (Ψευδοκώδικας):

def react_agent(question):
    context = []
    while not solved:
        # Συλλογισμός: δημιουργία βήματος σκέψης
        thought = llm.generate_thought(question, context)
        # Δράση: επιλογή ενέργειας βάσει σκέψης
        action = llm.choose_action(thought)
        # Εκτέλεση ενέργειας, λήψη παρατήρησης
        observation = execute_action(action)
        # Προσθήκη σκέψης, δράσης, παρατήρησης στο context
        context.append((thought, action, observation))
    return final_answer

Παράδειγμα:
- Χρήστης: "Πώς είναι ο καιρός σήμερα στο Πεκίνο;"
- Agent συλλογίζεται: "Χρειάζομαι το API καιρού, χρειάζομαι πόλη και ημερομηνία."
- Δράση: Κλήση API καιρού (παράμετροι: Πεκίνο, σήμερα)
- Παρατήρηση: Επιστρέφει "Αίθριος, 25°C"
- Συλλογισμός: "Έχω τις πληροφορίες, μπορώ να απαντήσω."
- Έξοδος: "Στο Πεκίνο σήμερα αίθριος, 25°C."

2. Plan-and-Solve

Βασική Ιδέα: Πρώτα κατάρτιση πλήρους σχεδίου (Plan), στη συνέχεια σταδιακή εκτέλεση (Solve). Στη φάση του σχεδιασμού, η σύνθετη εργασία αναλύεται σε υποβήματα, και στη φάση εκτέλεσης ολοκληρώνονται με σειρά, με πιθανή προσαρμογή βάσει ενδιάμεσων αποτελεσμάτων.

Διάγραμμα Ροής:

[Εργασία] → [Κατάρτιση σχεδίου: Ανάλυση σε υποβήματα] → [Εκτέλεση βήματος 1] → [Εκτέλεση βήματος 2] → ... → [Εκτέλεση βήματος N] → [Τελική απάντηση]

Παράδειγμα Κώδικα:

def plan_and_solve(task):
    # Φάση σχεδιασμού
    plan = llm.generate_plan(task)  # π.χ.: ["Αναζήτηση υλικού", "Οργάνωση πληροφοριών", "Σύνταξη αναφοράς"]
    context = {}
    for step in plan:
        # Εκτέλεση κάθε βήματος
        result = execute_step(step, context)
        context[step] = result
    # Σύνθεση αποτελεσμάτων
    final = llm.synthesize(context)
    return final

Παράδειγμα:
- Εργασία: "Γράψε ένα άρθρο για τον AI Agent"
- Σχέδιο:
1. Αναζήτηση ορισμού και τελευταίων εξελίξεων του AI Agent
2. Ανάγνωση και οργάνωση βασικών σημείων
3. Σύνταξη περιγράμματος άρθρου
4. Συμπλήρωση περιεχομένου
5. Διόρθωση και δημοσίευση
- Εκτέλεση: Ολοκλήρωση κάθε βήματος διαδοχικά, τελική έξοδος άρθρου.

3. Reflection

Βασική Ιδέα: Ο Agent κατά τη διάρκεια ή μετά την εκτέλεση αναστοχάζεται (Reflection) τις ενέργειές του, αξιολογεί τα αποτελέσματα και βελτιώνει τις επόμενες ενέργειες. Περιλαμβάνει αυτοκριτική, διόρθωση σφαλμάτων ή βελτιστοποίηση στρατηγικής.

Διάγραμμα Ροής:

[Δράση] → [Παρατήρηση αποτελέσματος] → [Αναστοχασμός: Αξιολόγηση επιτυχίας] → [Αν αποτυχία: Προσαρμογή στρατηγικής] → [Εκ νέου δράση] → ... → [Επιτυχία]

Παράδειγμα Κώδικα:

def reflection_agent(task):
    max_attempts = 3
    for attempt in range(max_attempts):
        action = llm.generate_action(task)
        result = execute(action)
        # Αναστοχασμός
        reflection = llm.reflect(task, action, result)
        if reflection['success']:
            return result
        else:
            # Προσαρμογή περιγραφής εργασίας ή στρατηγικής βάσει αναστοχασμού
            task = reflection['improved_task']
    return None

Παράδειγμα:
- Εργασία: "Υπολόγισε 1234 * 5678"
- Δράση: Άμεσος υπολογισμός, αποτέλεσμα 7006652
- Αναστοχασμός: Έλεγχος διαδικασίας, εντοπίζεται σφάλμα κρατουμένου
- Προσαρμογή: Επαναϋπολογισμός, σωστό αποτέλεσμα 7006652 (στην πραγματικότητα σωστό)
- Αν συνεχίσει σφάλμα, συνεχίζει αναστοχασμό μέχρι ορθότητας.

Συνοπτική Σύγκριση

Στην πράξη, συχνά συνδυάζονται, π.χ. προσθήκη μηχανισμού αναστοχασμού στο ReAct, ή αναστοχασμός μετά από κάθε βήμα στο Plan-and-Solve.