“ 大模型应用提示词是核心，但智能体中大模型是核心，大模型会接收用户输入和工具调用结果，同样也会返回思考过程和调用参数。”

ReAct Agent基于思考-行动-观察的智能体，简单来说就是让智能体有更强的规划和逻辑推理能力，并且能够依靠自身去解决问题。

在前面的几篇文章中介绍了关于智能体的内容，以及大模型与提示词之间的关系；而今天我们再来仔细分析一下智能体的运作流程。

总之一句话，智能体的核心就是LLM大模型，其主要操作载体是Prompt提示词。

在应用大模型的过程中，提示词是使用大模型的唯一入口；而为了激发大模型的潜力，因此根据不同的应用场景，出现了多种不同的提示词范式；包括思维链(Cot)，ReAct，In learning context等多种范式。

从根本上看，所有与大模型的交互确实都通过提示词（Prompt）实现，模型本身仅暴露一个文本输入/输出接口。In-Context Learning (ICL)、Chain-of-Thought (CoT) 等技术本质上都是针对提示词的结构化设计范式，旨在更高效地激发模型能力。

不同范式的核心差异：信息注入方式

虽然底层统一，但不同范式通过提示词向模型注入不同类型的信息结构：

范式	提示词设计目标	典型结构	类比
Zero-Shot	直接指令传递	指令: <任务描述>	命令行
ICL (Few-Shot)	隐式传递任务规则	示例输入→输出\n...\n新输入→？	演示教学
CoT	强制分步推理	问题:... 让我们一步步思考: ...	思维导图模板
Self-Consistency	多路径探索	生成多个CoT路径后投票	蒙特卡洛采样
Tool-Use	定义外部工具协议	用JSON/YAML声明工具调用规范	API文档
ReAct	交织推理与行动	Thought:... Act:... Obs:...	自动化工作流

为什么需要多种范式？

因单一线性提示词无法覆盖所有任务需求，需通过结构化设计解决：

任务痛点	适配范式	解决方式
模型不懂任务格式	ICL	示例演示规范
模型跳跃式推理	CoT	强制分步思考
单一路径可能错误	Self-Consistency	多路径投票
需调用外部工具	Tool-Use	定义工具调用协议
需动态规划行动	ReAct	循环执行"思考-行动"

所以，从本质上来说任何对大模型的操作都是基于提示词的操作。

智能体

智能体的运作流程说起来很复杂，但其实也很简单；简单来说就是，把大模型当做一个“人”或者员工，然后把需要的工具给它(tools，本质上就是一个函数)，然后告诉它你的需求是什么；之后，就完全由它自己理解你的需求，然后借助自身能力或者使用外部工具来完成任务。

首先，初始化大模型，并把工具绑定到大模型，

# 初始化模型model = init_chat_model("model")tools = ['工具集']# 绑定工具model = model.bind_tools(tools)

其次，大模型接收到用户输入，并理解需求判断是自身能够解决还是需要调用外部工具解决；如下图所示查询天气，就需要调用天气查询工具，在langchain中，如果需要调用工具，则大模型会返回tool_calls工具列表。

当大模型返回tool_calls调用工具时，langgraph就会通过边流转到ToolNode节点，然后在工具节点中调用外部接口并获取结果。

当工具调用返回结果之后，再把结果传给大模型，让大模型判断结果是否能解决用户的问题；如果不行，则继续下一步；否则，则结束；当然，为了防止无限循环调用导致任务无法结束，因此还增加了默认的超时次数，当超过25次问题还没解决，则直接抛出异常。

# Define our tool node# 工具执行过程def tool_node(state: AgentState):      outputs = []      # LLM会返回调用工具的函数名 以及其参数  for tool_call in state["messages"][-1].tool_calls:            tool_result = tools_by_name[tool_call["name"]].invoke(tool_call["args"])            outputs.append(                  ToolMessage(                        content=json.dumps(tool_result),                        name=tool_call["name"],                        tool_call_id=tool_call["id"],                    )               )       return {"messages": outputs}

如何学习AI大模型 ？

“最先掌握AI的人，将会晚掌握AI的人有竞争优势，晚掌握AI的人比完全不会AI的人竞争优势更大”。 在这个技术日新月异的时代，不会新技能或者说落后就要挨打。

老蓝我作为一名在一线互联网企业（保密不方便透露）工作十余年，指导过不少同行后辈。帮助很多人得到了学习和成长。

我是非常希望可以把知识和技术分享给大家，但苦于传播途径有限，很多互联网行业的朋友无法获得正确的籽料得到学习的提升，所以也是整理了一份AI大模型籽料包括：AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、落地项目实战等 免费分享出来。

👉点击即可获取大模型学习包2024年最新版👈

1. AI大模型学习路线图

2. 100套AI大模型商业化落地方案

3. 100集大模型视频教程

4. 200本大模型PDF书籍

5. LLM面试题合集

6. AI产品经理资源合集

大模型学习路线

想要学习一门新技术，你最先应该开始看的就是学习路线图，而下方这张超详细的学习路线图，按照这个路线进行学习，学完成为一名大模型算法工程师，拿个20k、15薪那是轻轻松松！

视频教程

首先是建议零基础的小伙伴通过视频教程来学习，其中这里给大家分享一份与上面成长路线&学习计划相对应的视频教程。文末有整合包的领取方式

技术书籍籽料

当然，当你入门之后，仅仅是视频教程已经不能满足你的需求了，这里也分享一份我学习期间整理的大模型入门书籍籽料。文末有整合包的领取方式

大模型实际应用报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。文末有整合包的领取方式

大模型落地应用案例PPT

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。文末有整合包的领取方式

大模型面试题&答案

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。文末有整合包的领取方式

领取方式

这份完整版的 AI大模型学习籽料我已经上传CSDN，需要的同学可以微⭐扫描下方CSDN官方认证二维码免费领取！

。