Agents Course documentation
Pensamiento: Razonamiento Interno y el Enfoque Re-Act
Pensamiento: Razonamiento Interno y el Enfoque Re-Act
Los pensamientos representan los procesos internos de razonamiento y planificación del Agente para resolver la tarea.
Esto utiliza la capacidad del Modelo de Lenguaje Grande (LLM) del agente para analizar información cuando se presenta en su prompt.
Piensalo como el diálogo interno del agente, donde considera la tarea en cuestión y forma la estrategia de su enfoque.
Los pensamientos del Agente son responsables de acceder a las observaciones actuales y decidir cuál(es) debería(n) ser la(s) siguiente(s) acción(es).
A través de este proceso, el agente puede desglosar problemas complejos en pasos más pequeños y manejables, reflexionar sobre experiencias pasadas y ajustar continuamente sus planes basándose en nueva información.
Aquí hay algunos ejemplos de pensamientos comunes:
| Tipo de Pensamiento | Ejemplo |
|---|---|
| Planificación | “Necesito dividir esta tarea en tres pasos: 1) recopilar datos, 2) analizar tendencias, 3) generar informe” |
| Análisis | “Basado en el mensaje de error, el problema parece estar en los parámetros de conexión de la base de datos” |
| Toma de Decisiones | “Dadas las restricciones presupuestarias del usuario, debería recomendar la opción de nivel medio” |
| Resolución de Problemas | “Para optimizar este código, primero debería perfilarlo para identificar cuellos de botella” |
| Integración de Memoria | “El usuario mencionó su preferencia por Python anteriormente, así que proporcionaré ejemplos en Python” |
| Auto-reflexión | “Mi último enfoque no funcionó bien, debería probar una estrategia diferente” |
| Establecimiento de Objetivos | “Para completar esta tarea, primero necesito establecer los criterios de aceptación” |
| Priorización | “La vulnerabilidad de seguridad debe abordarse antes de agregar nuevas características” |
Nota: En el caso de LLMs afinados para llamadas a funciones, el proceso de pensamiento es opcional. En caso de que no estés familiarizado con las llamadas a funciones, habrá más detalles en la sección de Acciones.
El Enfoque Re-Act
Un método clave es el enfoque ReAct, que es la concatenación de “Razonamiento” (Think) con “Actuar” (Act).
ReAct es una técnica de prompting simple que añade “Pensemos paso a paso” antes de permitir que el LLM decodifique los siguientes tokens.
De hecho, indicar al modelo que piense “paso a paso” fomenta el proceso de decodificación hacia los siguientes tokens que generan un plan, en lugar de una solución final, ya que se anima al modelo a descomponer el problema en sub-tareas.
Esto permite que el modelo considere los sub-pasos con más detalle, lo que en general conduce a menos errores que intentar generar la solución final directamente.
Estos modelos han sido entrenados para incluir siempre secciones específicas de pensamiento (encerradas entre tokens especiales <think> y </think>). Esto no es solo una técnica de prompting como ReAct, sino un método de entrenamiento donde el modelo aprende a generar estas secciones después de analizar miles de ejemplos que muestran lo que esperamos que haga.
Ahora que entendemos mejor el proceso de Pensamiento, profundicemos en la segunda parte del proceso: Actuar.
< > Update on GitHub