← 返回列表

AI Seri Pitakonan Wawancara 6: Tiga Metodologi Inti AI Agent: ReAct, Plan-and-Solve lan Reflection

AI Agent Tiga Metodologi Inti: ReAct, Plan-and-Solve lan Reflection

AI Agent iku sawijining agen cerdas sing bisa ngrasakake lingkungan, nggawe keputusan, lan nindakake tumindak kanthi mandiri. Metodologi intine ana telu: ReAct, Plan-and-Solve, lan Reflection. Ing ngisor iki bakal dijlentrehake siji-siji, dilengkapi diagram alir lan conto kode.

1. ReAct (Reasoning + Acting)

Gagasan Inti: Nggabungake penalaran (Reasoning) lan tumindak (Acting) kanthi gantian. Agent saben langkah mikirake kahanan saiki lan rencana sabanjure (penalaran), banjur nindakake tumindak (kayata ngundang alat, nggoleki informasi), banjur nerusake penalaran adhedhasar asil.

Diagram Alir:

[Kahanan Awal] → [Penalaran: Mikirake Langkah Sabanjure] → [Tumindak: Nindakake Aksi] → [Mirsani Asil] → [Penalaran: Nganyari Rencana] → ... → [Jawaban Akhir]

Contoh Kode (Pseudo-kode):

def react_agent(question):
    context = []
    while not solved:
        # Penalaran: ngasilake langkah pamikiran
        thought = llm.generate_thought(question, context)
        # Tumindak: milih aksi adhedhasar pamikiran
        action = llm.choose_action(thought)
        # Nindakake aksi, entuk observasi
        observation = execute_action(action)
        # Nambahake pamikiran, tumindak, observasi menyang konteks
        context.append((thought, action, observation))
    return final_answer

Contoh:
- Pangguna takon: "Piye cuaca Beijing dina iki?"
- Agent penalaran: "Aku kudu nggoleki API cuaca, butuh jeneng kutha lan tanggal."
- Tumindak: ngundang API cuaca (parameter: Beijing, dina iki)
- Observasi: bali "Cerah, 25°C"
- Penalaran: "Wis entuk informasi, bisa njawab."
- Output: "Beijing dina iki cerah, 25°C."

2. Plan-and-Solve

Gagasan Inti: Gawe rencana lengkap dhisik (Plan), banjur nindakake kanthi bertahap (Solve). Tahap rencana mecah tugas rumit dadi sub-langkah, tahap eksekusi nindakake kanthi urut, bisa uga nyetel rencana adhedhasar asil sementara.

Diagram Alir:

[Tugas] → [Nggawe Rencana: mecah sub-langkah] → [Nindakake Langkah 1] → [Nindakake Langkah 2] → ... → [Nindakake Langkah N] → [Jawaban Akhir]

Contoh Kode:

def plan_and_solve(task):
    # Tahap rencana
    plan = llm.generate_plan(task)  # contone: ["Nggoleki bahan", "Ngatur informasi", "Nulis laporan"]
    context = {}
    for step in plan:
        # Nindakake saben langkah
        result = execute_step(step, context)
        context[step] = result
    # Nyintesis asil
    final = llm.synthesize(context)
    return final

Contoh:
- Tugas: "Nulis blog babagan AI Agent"
- Rencana:
1. Nggoleki definisi AI Agent lan perkembangan anyar
2. Maca lan ngatur poin penting
3. Nulis kerangka blog
4. Ngisi konten
5. Koreksi lan nerbitake
- Eksekusi: nindakake saben langkah kanthi urut, pungkasane ngasilake blog.

3. Reflection

Gagasan Inti: Agent sajrone utawa sawise nindakake, nindakake refleksi (Reflection) marang tumindake dhewe, ngevaluasi asil lan ngapiki tumindak sabanjure. Biasane kalebu kritik diri, koreksi kesalahan, utawa optimasi strategi.

Diagram Alir:

[Tumindak] → [Mirsani Asil] → [Refleksi: Ngevaluasi sukses] → [Yen gagal: Nyetel strategi] → [Tumindak maneh] → ... → [Sukses]

Contoh Kode:

def reflection_agent(task):
    max_attempts = 3
    for attempt in range(max_attempts):
        action = llm.generate_action(task)
        result = execute(action)
        # Refleksi
        reflection = llm.reflect(task, action, result)
        if reflection['success']:
            return result
        else:
            # Nyetel deskripsi tugas utawa strategi adhedhasar refleksi
            task = reflection['improved_task']
    return None

Contoh:
- Tugas: "Ngitung 1234 * 5678"
- Tumindak: ngitung langsung, entuk asil 7006652
- Refleksi: mriksa proses ngitung, nemokake kesalahan nggawa
- Nyetel: ngitung maneh, entuk asil bener 7006652 (sabenere bener)
- Yen isih salah, terus refleksi nganti bener.

Ringkesan Perbandingan

Metodologi Ciri Skenario Cocok
ReAct Penalaran lan tumindak gantian, nyetel dinamis Tugas sing mbutuhake interaksi informasi wektu nyata (kayata tanya jawab, nggoleki)
Plan-and-Solve Rencana dhisik banjur eksekusi, mecah kanthi terstruktur Tugas rumit multi-langkah (kayata nulis, analisis data)
Reflection Refleksi diri lan koreksi, iterasi optimasi Tugas sing mbutuhake akurasi dhuwur (kayata ngitung matematika, ngasilake kode)

Ing aplikasi nyata, asring nggabungake telu, contone ReAct ditambah mekanisme refleksi, utawa Plan-and-Solve saben langkah sawise eksekusi direfleksi.

评论

暂无已展示的评论。

发表评论(匿名)