SSH密钥登录PyTorch容器，提高远程开发安全性
2025/12/28 22:40:47
在上一章吃透大语言模型的核心逻辑后，终于迎来了最令人兴奋的实战环节 —— 亲手构建智能体。如果说大语言模型是智能体的 "大脑"，那这些经典范式就是让大脑学会 "思考与行动" 的行为准则。市面上早已不乏 LangChain、LlamaIndex 这类成熟框架，但是如果不亲手拆解一遍底层逻辑，就永远只能做个 "工具使用者"，而无法成为真正的 "应用创造者"。这篇笔记就来详细拆解 ReAct、Plan-and-Solve、Reflection 三种核心范式，让我从 0 到 1 理解智能体的构建之道。
一、基础准备：搭建智能体的 "基建工程"
在正式开工前，必须先把开发环境和基础工具准备妥当。就像盖房子要先打地基，这些准备工作能让后续的范式实现少走很多弯路。
首先是环境配置，推荐使用 Python 3.10 及以上版本，核心需要安装openai库（用于调用大模型）和python-dotenv库（安全管理 API 密钥），终端执行一行命令即可完成：
pip install openai python-dotenv接下来是 API 密钥的配置。在项目根目录创建.env文件，把模型 ID、API 密钥、服务地址统一存放，这样既能保证安全，又方便后续切换不同的模型服务：
# .env file LLM_API_KEY="YOUR-API-KEY" LLM_MODEL_ID="YOUR-MODEL" LLM_BASE_URL="YOUR-URL"做好这些准备，就相当于备齐了所有施工材料，接下来就能专注于三种范式的核心逻辑实现了。
二、ReAct 范式：边想边做，在交互中逼近答案
（一）核心思想：像侦探一样 "思考 - 行动 - 观察"
ReAct 范式它完美复刻了人类解决问题的过程 —— 遇到问题先分析，分析完采取行动，根据行动结果再调整思路。在它出现之前，智能体要么只会 "空想"（比如思维链，缺乏与外部世界的交互），要么只会 "蛮干"（直接输出动作，没有规划能力）。
而 ReAct 的巧妙之处，就在于把 "思考"（Thought）和 "行动"（Action）紧密结合，形成一个闭环：先通过思考明确下一步要做什么，再执行具体行动（通常是调用工具），最后根据行动结果（Observation）修正思考方向。这个循环不断重复，直到找到最终答案。
（二）实战实现：给智能体装上 "搜索的手脚"
要让 ReAct 智能体跑起来，光有思考逻辑还不够，必须给它配备能与外部世界交互的工具。示例选择了 SerpApi 作为网页搜索工具，它能返回结构化的 Google 搜索结果，比自己写爬虫高效得多。
首先安装依赖库并配置 API 密钥，然后定义工具的核心三要素：名称（Search）、描述（告诉模型什么时候该用它）、执行逻辑（调用 SerpApi 获取结果并解析）。为了让工具调用更灵活，还要写一个ToolExecutor类，专门负责工具的注册和调度，后续添加计算器、数据库查询等工具时，直接注册即可。
工具准备就绪后，就是 ReAct 智能体的核心实现：
- 设计提示词模板：明确告诉模型可用工具、输出格式（必须包含 Thought 和 Action），这是保证模型按规则输出的关键；
- 实现核心循环：格式化提示词→调用 LLM 获取思考和行动→解析行动并执行→将结果加入历史记录，重复直到任务完成；
- 处理边界情况：设置最大步数防止无限循环，处理工具调用失败、输出解析错误等问题。
（三）运行效果：成功找到华为最新手机卖点
我用 "华为最新的手机是哪一款？它的主要卖点是什么？" 这个问题测试了智能体。运行过程清晰地展示了它的思考路径.
三、Plan-and-Solve：先谋后动，用规划驾驭复杂任务
（一）核心思想：像建筑师一样 "先画蓝图再施工"
如果说 ReAct 是 "走一步看一步" 的探险家，那 Plan-and-Solve 就是 "运筹帷幄" 的战略家。它把任务明确分为两个阶段：规划阶段和执行阶段。
规划阶段先把复杂任务拆解成一系列逻辑清晰的子步骤，就像建筑师绘制施工蓝图；执行阶段则严格按照步骤逐一落实，确保每个子任务都完成后再进入下一个。这种 "先谋后动" 的模式，能有效避免智能体在复杂任务中偏离目标。
（二）实战实现：拆解数学题的 "规划 - 执行" 流程
我选择了一道经典的数学应用题作为测试："一个水果店周一卖出 15 个苹果，周二卖出的是周一的两倍，周三卖出的比周二少 5 个，这三天总共卖出多少个苹果？"
要实现这个范式，需要两个核心组件：
- 规划器（Planner）：负责把问题拆成步骤。通过提示词强制模型输出 Python 列表格式的步骤，方便后续解析。比如这道题，规划器生成了四个步骤：计算周一销量→计算周二销量→计算周三销量→计算总销量；
- 执行器（Executor）：负责按步骤执行。每一步都把原始问题、完整计划、历史结果作为上下文传给模型，确保步骤间的信息连贯。
最后用PlanAndSolveAgent类把两个组件整合起来，形成 "生成计划→执行计划" 的完整流程。
（三）运行效果：零差错完成多步计算
运行结果完全超出预期，规划器生成的步骤逻辑严谨，执行器每一步都正确使用了上一步的结果。
四、Reflection：自我反思，在迭代中优化答案
（一）核心思想：像作家一样 "初稿 - 修改 - 定稿"
ReAct 和 Plan-and-Solve 都是 "一次性" 完成任务，而 Reflection 范式则引入了 "自我纠错" 的循环，让智能体能够像人类一样审视自己的成果，不断优化。
它的核心流程是 "执行→反思→优化"：先生成一个初始方案（初稿），然后扮演 "评审员" 的角色指出问题和改进方向，最后根据反馈修正方案。这个循环可以重复多次，直到达到满意效果。
这种范式的价值在于，它能把 "合格" 的答案提升到 "优秀"，特别适合对结果质量要求极高的场景，比如核心代码生成、学术论文撰写、关键决策支持等。
（二）实战实现：代码优化的 "反思 - 迭代" 过程
我按示例 "编写一个找出 1 到 n 之间所有素数的 Python 函数" 作为测试任务，这个任务有明确的优化路径（从试除法到筛法），能很好地体现 Reflection 的价值。
实现这个范式需要三个关键部分：
- 记忆模块（Memory）：存储每一次的执行结果和反思反馈，形成完整的迭代轨迹，方便后续优化时参考；
- 三层提示词：执行提示词（生成初始代码）、反思提示词（扮演严格的代码评审员，聚焦算法效率）、优化提示词（根据反馈修正代码）；
- 迭代循环：控制反思和优化的次数，直到反馈显示 "无需改进" 或达到最大迭代次数。
（三）运行效果：从低效到高效的代码进化
运行过程堪称精彩，智能体完成了两次关键迭代：
五、三大范式对比与实战选型指南
亲手实现完三种范式后，我对它们的适用场景有了更清晰的认知。一张表格总结核心差异：
| 任务特点 | 优先选择 | 核心原因 |
|---|---|---|
| 不确定性强，需外部交互（如实时查询、API 调用） | ReAct | 动态循环能适应环境变化，根据反馈调整策略 |
| 逻辑路径清晰，需多步内部推理（如数学题、报告撰写） | Plan-and-Solve | 结构化规划确保目标一致性，执行稳定可靠 |
| 对结果质量要求极高（如核心代码、学术写作） | Reflection | 迭代优化能将 "合格" 提升至 " |
六、学习感悟：从 "用工具" 到 "造工具" 的思维跃迁
这次 "造轮子" 的过程，比直接使用 LangChain 收获大得多。不仅掌握了三种经典范式的底层逻辑，更深刻理解了智能体构建的核心挑战：如何让大模型的推理能力与外部工具高效协同，如何处理不确定性，如何平衡结果质量与成本。
最大的体会是：智能体的核心不是大模型本身，而是组织 "思考与行动" 的范式。好的范式能让普通模型发挥出惊人效果，而差的范式即便用最先进的模型，也可能输出糟糕的结果。