大模型

目录

• 大模型的演变
• 大模型的使用与训练
• 大模型的特点与分类
• 大模型的工作流程
• 大模型的应用
• Agent
  • ReAct

大模型的演变

机器学习：

深度学习：

大模型演变：

大模型的使用与训练

预训练：

SFT(监督微调)：

RLHF(基于人类反馈的强化学习):

大模型的特点与分类

特点：

分类：

大模型的工作流程

分词化(Tokenization) 与 词表映射：

大语言文本模型生成文本的过程:

大模型的应用

Agent

agent 流程图：

规划：

子任务拆解：

ReAct

ReAct：

ReAct（Reasoning + Acting）是一种结合推理与行动的框架，旨在提升大语言模型（LLM）处理复杂任务的能力。它通过交替进行内部推理和外部行动，模拟人类“思考-执行-调整”的问题解决方式。

为什么结合推理和行动，就会有效增强LLM完成任务的能力？

核心思想
推理（Reasoning）
模型分析任务、拆解步骤，生成解决问题的逻辑链（如：“需要先查天气，再推荐活动”）。

行动（Acting）
根据推理结果，调用外部工具或接口（如搜索API、数据库、计算器等）获取实时信息或执行操作。

循环迭代
结合行动结果重新推理，逐步逼近目标，直到任务完成。

工作流程示例（以订旅行计划为例）
推理：用户想周末去杭州，需确认天气和景点开放情况。

行动：调用天气API查询杭州周末天气。

推理：发现预报有雨，调整计划为室内活动。

行动：搜索杭州雨天推荐的博物馆并预订门票。

输出结果：生成包含雨天备选方案的旅行计划。

优势
减少幻觉：依赖外部数据而非纯内部知识，提升答案准确性。

动态适应：通过实时反馈调整策略，处理复杂、多步骤任务。

可解释性：推理过程透明化，便于追踪决策逻辑。

典型应用场景
复杂问答：需多来源数据整合的问题（如“比较A和B产品的优缺点”）。

自动化流程：结合工具调用完成订票、数据整理等任务。

交互式分析：通过持续对话细化需求（如商业报告生成）。

意义
ReAct推动语言模型从“静态应答”转向“动态问题解决”，为开发智能代理（如AutoGPT）奠定了基础，使AI更接近人类的问题处理能力。