Agent思维模式 | 评估

Agent思维模式：ReAct、Plan and Execute、Reflection

Agent 处理任务时的不同推理与执行策略

ReAct（Reasoning and Act）

ReAct 是 Reasoning and Act 的缩写，本质上是一种**边规划边执行**的混合模式

• 交替进行：推理（Reasoning）与行动（Acting）交替执行
• 即时调整：根据当前执行结果动态调整后续计划
• 适合复杂任务：能够处理需要综合分析和多步骤执行的问题

处理流程

用户输入 → LLM分析问题
↓
推理 (Reasoning) → 行动 (Act) → 推理 → 行动 → …
↓
返回结果

Plan and Execute（先规划后执行）

与 ReAct 不同，Plan and Execute 采用**两阶段分离**的策略

• 阶段一：先完整规划整个任务流程
• 阶段二：再按计划顺序执行
• 更适合：任务边界清晰、步骤可预见的场景

用户输入 → 完整规划 (Plan)
↓
按顺序执行 (Execute)
↓
返回结果

Reflection（反思）

Reflection 即反思，是 Agent 的一种自我修正机制

• 对执行结果进行评估
• 识别错误或不足
• 调整策略后重新执行

Agent Evaluation

Evaluation-评估，是对Agent进行系统性评价的过程

由于Agent基于LLM生成答案，其评估标准并非放之四海而皆准，而是需要根据不同的应用场景和落地方向进行针对性设计。

为什么要评估

评估的目的不仅仅是区分"能用"和"不能用"（这通常是暂时性判断），更核心的目的是通过评估进行调优。具体来说：

这一思维方式适用于所有软件工程类和科研类项目。例如：一个可运行的游戏，虽然功能正常，但仍可优化代码降低CPU/内存占用、减少网络流量消耗。

评估的两种类型

端对端评估

从用户视角出发，评估Agent从输入到输出是否合格。这是基础层面的判断，如果连基本匹配都做不到，Agent本身就不可用。

非端对端评估（步骤级评估）

针对工作流中的具体步骤进行分析和调优。典型工作流包括：

注：如果是ReAct等推理模式，可能会有更多的循环，由LLM自主决策下一步。

如何做评估

最简单的端对端评估可以用表格形式呈现：

评估的具体方式不必拘泥，重点是建立一套符合落地场景的具体标准，用以判断Agent的输出是否正确。

核心要点

• 评估标准需要根据应用场景定制
• 评估的真正目的是调优，而非简单的通过/失败判断
• 端对端评估看整体，非端对端评估看细节
• 两种评估结合使用，才能全面提升Agent质量