LLM为什么需要agent化 虽然大语言模型的能力很强大，但是Llm仅限于用于训练的知识，这些知识很快会过时，所以llm有以下缺点 幻觉 结果并不总是真实的 对时事的了解有限或一无所知 难以应对复杂推理和计算 例如：买高铁票 (虽然LLM完全理解了买票的行为，但是它本身并不知道“我”所处的城市，列车的时刻表，价格等等信息） 而基于大模型的Agent (LLM based Agent) 可以利用外部工具来克服以上缺点。 ReAct Agent ReAct Agent 论文 Standard IO(直接回答) -> COT(chain-of-thought)(思维链) -> Action-Only (Function calling) -> Reason + Action ReAct = Reasoning(推理) + Action(行动) Models：LLM Prompts：对Agent的指令、约束 Memory : 记录Action执行状态 & 缓存已知信息 Indexes : 用于结构化文档，以便和模型交互 Chains ：Langchain的核心（链） Agent from...
