提示词工程本身就是一个为了让大模型 答复得更完美 的方法论它更像一个 AI 世界的向导。文档参考提示工程指南 – Nextra零样本提示直接与大模型进行对话如今经过大量数据训练并调整指令的LLM能够执行零样本任务。以下是我们使用的一个示例提示将文本分类为中性、负面或正面。文本我认为这次假期还可以。情感输出中性请注意在上面的提示中我们没有向模型提供任何示例——这就是零样本能力的作用。少样本提示通过提供一个示例引导大模型生成内容虽然大型语言模型展示了惊人的零样本能力但在使用零样本设置时它们在更复杂的任务上仍然表现不佳。少样本提示可以作为一种技术以启用上下文学习我们在提示中提供演示以引导模型实现更好的性能。演示作为后续示例的条件我们希望模型生成响应。在这个例子中任务是在句子中正确使用一个新词。提示“whatpu”是坦桑尼亚的一种小型毛茸茸的动物。 一个使用whatpu这个词的句子的例子是我们在非洲旅行时看到了这些非常可爱的whatpus。 “farduddle”是指快速跳上跳下。 一个使用farduddle这个词的句子的例子是输出当我们赢得比赛时我们都开始庆祝跳跃。我们可以观察到模型通过提供一个示例已经学会了如何执行任务。链式思考CoT提示针对一个案例提供思路式的示例加入提示词中引导大模型生成内容提示这组数中的奇数加起来是偶数4、8、9、15、12、2、1。 A将所有奇数相加9、15、1得到25。答案为False。 这组数中的奇数加起来是偶数17、10、19、4、8、12、24。 A将所有奇数相加17、19得到36。答案为True。 这组数中的奇数加起来是偶数16、11、14、4、8、13、24。 A将所有奇数相加11、13得到24。答案为True。 这组数中的奇数加起来是偶数17、9、10、12、13、4、2。 A将所有奇数相加17、9、13得到39。答案为False。 这组数中的奇数加起来是偶数15、32、5、13、82、7、1。 A输出将所有奇数相加15、5、13、7、1得到41。答案为False。提供推理步骤来实现对大模型应答的应答零样本 COT 提示在链式思考的基础上去掉思路式的示例改成“让我们逐步思考”这样的话术提醒 ai 自己去逐步思考就好像期末复习老师不给考试范围只告诉学生们自己好好复习。按照链式思考的思路但是这次不给大模型具体的推理步骤只是提醒大模型要去逐步思考比如将“让我们逐步思考”添加到原始提示中提示我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。 我还剩下多少苹果输出11个苹果答案是不正确的现在让我们尝试使用特殊提示。提示我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。 我还剩下多少苹果让我们逐步思考。输出首先您从10个苹果开始。您给了邻居和修理工各2个苹果所以您还剩下6个苹果。 然后您买了5个苹果所以现在您有11个苹果。 最后您吃了1个苹果所以您还剩下10个苹果。自动思维链Auto-CoTai 自己找找相似案例来自动生成推理示范如果我们想让AI学会“一步步思考”也就是思维链我们需要人工去给它写很多高质量的“示范题”和“解题步骤”。这不仅费时费力而且人工写出来的例子可能不够丰富导致AI学得不完美。为了解决这个麻烦研究人员发明了Auto-CoT让AI利用“让我们一步一步地思考”这种提示自己去生成推理过程。Auto-CoT 主要由两个阶段组成阶段1问题聚类将给定问题划分为几个聚类阶段2演示抽样从每组数组中选择一个具有代表性的问题并使用带有简单启发式的 Zero-Shot-CoT 生成其推理链这两个阶段通俗一点翻译就是一个“出题做题”的自动化流水线第一步问题聚类给题目分类。就像老师整理试卷一样先把一堆杂乱的问题按照类型分好类。第二步演示抽样挑代表并写解析。从每个类别里挑出一道最典型、最具代表性的题目然后让AI用“零样本思维链Zero-Shot-CoT”的方式自己把这道题的推理步骤写出来当作示范。因为AI自己生成的推理步骤偶尔也会出错所以我们需要给它定一些“简单但有效”的筛选标准启发式方法。比如我们可以规定挑出来的代表性问题长度要适中比如60个词左右不要太长也不要太短。AI生成的推理步骤数量要合理比如5步左右清晰明了。通过这种“长度步骤数”的简单限制可以鼓励AI生成简单、准确、高质量的示范从而避免它在推理时“胡言乱语”或把简单问题复杂化。自我一致性多想几个思路内部投票看谁的思路更好自我一致性Self-Consistency是一种高级解码策略主要用于提升大语言模型LLMs在复杂推理任务上的准确性。用通俗的话来解释它的核心思想是“三个臭皮匠顶个诸葛亮”。模型在解决复杂问题时单一的思考路径可能会出错但如果让模型从多个不同的角度、生成多条不同的推理路径最后通过“少数服从多数”的投票机制来得出最终答案准确率就会大幅提升。具体来说自我一致性包含以下三个核心步骤生成多样化的推理路径Diverse Reasoning Paths在传统的思维链CoT中模型通常只生成一条推理过程。而在自我一致性中我们会让模型对同一个问题生成多条比如 N 条不同的推理链。这通常通过调高模型的采样温度Temperature来实现鼓励模型在每一步推理时探索不同的可能性而不是总是选择概率最高的那个词。提取最终答案Extract Final Answers模型生成多条推理链后系统会分别提取出每条推理链最终得出的答案。边缘概率投票Marginal Probability Voting这是最关键的一步。系统会统计这些最终答案采用多数投票Majority Voting的方式选出出现频率最高的答案作为最终结果。即使某条推理链中间出现了小错误只要最终答案与其他正确的推理链一致它依然能为正确答案“投票”。案例提示Q林中有15棵树。林业工人今天将在林中种树。完成后将有21棵树。林业工人今天种了多少棵树A我们从15棵树开始。后来我们有21棵树。差异必须是他们种树的数量。因此他们必须种了21-15 6棵树。答案是6。Q停车场有3辆汽车又来了2辆汽车停车场有多少辆汽车A停车场已经有3辆汽车。又来了2辆。现在有3 2 5辆汽车。答案是5。QLeah有32块巧克力她的姐姐有42块。如果他们吃了35块他们总共还剩多少块ALeah有32块巧克力Leah的姐姐有42块。这意味着最初有32 42 74块巧克力。已经吃了35块。因此他们总共还剩74-35 39块巧克力。答案是39。QJason有20个棒棒糖。他给Denny一些棒棒糖。现在Jason只有12个棒棒糖。Jason给Denny多少棒棒糖AJason有20个棒棒糖。因为他现在只有12个所以他必须把剩下的给Denny。他给Denny的棒棒糖数量必须是20-12 8个棒棒糖。答案是8。QShawn有五个玩具。圣诞节他从他的父母那里得到了两个玩具。他现在有多少个玩具A他有5个玩具。他从妈妈那里得到了2个所以在那之后他有5 2 7个玩具。然后他从爸爸那里得到了2个所以总共他有7 2 9个玩具。答案是9。Q服务器房间里有9台计算机。从周一到周四每天都会安装5台计算机。现在服务器房间里有多少台计算机A从周一到周四有4天。每天都添加了5台计算机。这意味着总共添加了4 * 5 20台计算机。一开始有9台计算机所以现在有9 20 29台计算机。答案是29。QMichael有58个高尔夫球。星期二他丢失了23个高尔夫球。星期三他又丢失了2个。星期三结束时他还剩多少个高尔夫球AMichael最初有58个球。星期二他丢失了23个所以在那之后他有58-23 35个球。星期三他又丢失了2个所以现在他有35-2 33个球。答案是33。QOlivia有23美元。她用每个3美元的价格买了五个百吉饼。她还剩多少钱A她用每个3美元的价格买了5个百吉饼。这意味着她花了15美元。她还剩8美元。Q当我6岁时我的妹妹是我的一半年龄。现在我70岁了我的妹妹多大A输出 1当我6岁时我的妹妹是我的一半年龄也就是3岁。现在我70岁了所以她是70-3 67岁。答案是67。输出 2当叙述者6岁时他的妹妹是他年龄的一半也就是3岁。现在叙述者70岁了他的妹妹应该是70-3 67岁。答案是67。输出 3当我6岁时我的妹妹是我的一半年龄也就是3岁。现在我70岁了所以她是70/2 35岁。答案是35。这种提示方式要注意API 成本与延迟 因为一个问题需要让模型回答 N 次通常 N3 到 5所以消耗的 Token 数量和时间是普通提示的 N 倍。建议只在高难度、高价值的推理任务中使用。生成知识提示就好像你要写一个名人的作文那你就需要回忆一下这个名人都有什么经历核心思想可以通俗地概括为“在给出最终答案之前先让AI把脑子里相关的背景知识梳理一遍。”这种方法解决了模型“不知道自己知道什么”的问题帮助它将零散的内部知识连接起来从而得出更准确的结论核心工作机制两阶段认知过程与直接提问不同GKP 将任务拆解为两个连续的子过程阶段一知识生成Knowledge Generation在这个阶段模型扮演“知识生成器”的角色。针对用户的原始问题模型会首先生成多个例如20个与主题相关的背景事实或知识片段。这些知识是模型内部隐式记忆的激活且不应直接包含最终答案。阶段二知识整合与答案形成Knowledge Integration在这个阶段模型扮演“推理模型”的角色。系统会将原始问题与阶段一生成的多个知识片段进行组合查询增强。然后模型会基于这些丰富的上下文信息评估各种可能的答案并最终选择概率最高、最合理的答案作为输出可以把传统的提示工程比作闭卷考试模型必须凭直觉直接给出答案而“生成知识提示”则相当于开卷考试。在答题前模型被允许先查阅一下自己脑海中的“参考资料”生成相关知识然后再结合这些资料和题目经过深思熟虑后写下最终答案。这种“先思考并阐述你对这个主题的了解”的元认知过程显著提升了回答的质量。链式提示Prompt Chaining链式提示Prompt Chaining是一种将复杂任务分解为一系列更小、更明确的子任务并按顺序执行的设计模式。每个子任务都有一个专门的提示词前一个子任务的输出会成为下一个子任务的输入。可以把它想象成一条智能化的流水线每个环节提示都专注于做好一件事并将成果传递给下一环节。与试图让AI一次解决所有问题相比这种方法能显著提高输出的可靠性和质量。链式提示与思维链Chain-of-Thought这两个概念容易混淆但核心区别在于结构链式提示 (Prompt Chaining)将任务分解为多个独立的提示词分步进行。上一步的输出是下一步的输入整个过程是外部可见且可分步调试的。思维链 (Chain-of-Thought)在单个提示词中引导模型展示其内部的推理步骤。它像要求AI“把思考过程写下来”整个过程在模型内部完成。简单来说链式提示是你将任务分解后分步骤交给AI完成而思维链是让AI自己在内部一步步推理并展示给你看。链式提示的价值在于将不可控的“黑盒”变得可控、可靠。提升准确性与可靠性通过拆分任务每一步的认知负荷降低AI可以更专注于单一目标减少出错概率。过程透明易于调试你能清晰地看到每个环节的输入和输出。如果最终结果不理想可以精准定位到有问题的环节并进行优化。模块化与可复用性每个子任务的提示词都是独立的模块可以在不同的工作流中被复用和组合。支持复杂工作流你可以在步骤之间插入验证、调用外部工具如搜索API、数据库构建强大的AI应用。根据任务复杂度链式提示有多种变体类型核心特点适用场景顺序链 (Sequential Chain)最基础的“流水线”模式一步接一步线性推进。有明确先后顺序的任务如“生成大纲→撰写内容→翻译润色”。分支链 (Branching Chain)一个步骤的输出可以同时作为多个并行步骤的输入。需要从不同角度分析同一信息如“分析用户评论→分别提取正面、负面、中性反馈”。迭代链 (Iterative Chain)重复执行某个步骤或整个链条直到结果满足特定条件。需要持续优化的任务如“生成文案→评估质量→若不达标则修改重试”。条件链 (Conditional Chain)根据上一步的输出结果动态决定下一步执行哪个分支。包含决策逻辑的任务如“判断用户意图→若为‘投诉’则转接客服若为‘咨询’则提供信息”。实践案例撰写市场分析报告假设你需要一份AI行业市场分析报告可以这样设计链式提示步骤1收集信息提示“请列出当前人工智能领域最受关注的五个主要发展方向。”步骤2深度分析提示“基于以上列出的五个方向[此处插入步骤1的输出]请分析每个方向当前的市场规模和技术成熟度。”步骤3趋势预测提示“根据你对市场规模和技术成熟度的分析[此处插入步骤2的输出]预测未来3-5年这五个方向各自的发展趋势。”步骤4整合报告提示“请将以上所有信息[此处插入步骤3的输出]整合成一份结构清晰、适合向管理层汇报的PPT大纲。”思维树ToT思维树Tree of Thoughts, ToT可以看作是链式提示Prompt Chaining和思维链Chain of Thought, CoT的全面升级版。如果说思维链是让AI沿着一条路“走到黑”那么思维树就是让AI像一位深谋远虑的棋手在走每一步时都同时构思多种可能的走法评估每种走法的优劣并随时准备探索、评估、回溯和规划。思维链 (CoT)线性推理。模型按部就班地生成一个推理链条。链式提示 (Prompt Chaining)任务分解。将大任务拆成线性序列每一步的输出是下一步的输入。思维树 (ToT)树状搜索。在每个决策点模型都生成多个可能的“想法”树的枝干评估它们并只沿着最有希望的路径继续探索必要时还会“回溯”ToT的工作流程是一个循环包含四个核心步骤思维分解 (Thought Decomposition)将复杂问题拆解成一系列更小、可管理的“思维步骤”或“子问题”。思维生成 (Thought Generation)针对当前问题状态生成多个可能的下一步“想法”。采样法 (Sampling)适用于开放性问题独立生成多个不同想法。提议法 (Proposing)适用于逻辑性强的问题基于前一步顺序生成后续想法。状态评估 (State Evaluation)对生成的每个“想法”进行评估判断其通往最终解决方案的潜力。赋值法 (Value)给每个状态打分如1-10分。投票法 (Vote)比较多个方案选出最佳的一个。搜索算法 (Search Algorithm)决定如何探索这棵“思维树”。广度优先搜索 (BFS)逐层探索先评估同一层的所有想法再进入下一层。深度优先搜索 (DFS)沿一个最有希望的分支深入探索直到得出结论或碰壁后回溯手动引导AI模拟ToT过程提示词模板请使用“思维树”方法来解决以下问题[在这里描述你的问题]第一轮生成阶段请提出3个不同的解决思路。第二轮评估阶段对以上每个思路从可行性、效率等角度进行评分1-10分并简要说明理由。第三轮选择与深入阶段选择评分最高的思路并基于它再提出3个更具体的下一步行动计划。重复“评估-选择-深入”的过程直到找到最终的解决方案。检索增强生成 (RAG)通用语言模型通过微调就可以完成几类常见任务比如分析情绪和识别命名实体。这些任务不需要额外的背景知识就可以完成。要完成更复杂和知识密集型的任务可以基于语言模型构建一个系统访问外部知识源来做到。这样的实现与事实更加一性生成的答案更可靠还有助于缓解“幻觉”问题。RAG 会接受输入并检索出一组相关/支撑的文档并给出文档的来源。这些文档作为上下文和输入的原始提示词组合送给文本生成器得到最终的输出。这样 RAG 更加适应事实会随时间变化的情况。这非常有用因为 LLM 的参数化知识是静态的。RAG 让语言模型不用重新训练就能够获取最新的信息基于检索生成产生可靠的输出。简单来说RAG就是让AI在回答问题时先“翻书查资料”再根据资料来回答。一个典型的RAG系统遵循“检索-增强-生成”的三阶段流程检索 (Retrieve)当用户提问时系统会去知识库中搜索与问题最相关的信息片段。增强 (Augment)将检索到的信息作为“上下文”Context拼接到用户的原始问题中形成一个“增强提示”。生成 (Generate)将增强后的提示词发送给大模型让它基于提供的资料生成最终答案。这个流程看似简单但构建一个高性能的RAG系统关键在于离线阶段的知识库准备工作数据准备与清洗将来自PDF、Word、网页等各种来源的原始数据加载进来。文档分块 (Chunking)把长文档切成语义完整的小块。这是最关键步骤之一。块太大信息稀释或太小丢失上下文都会影响效果一般初始可设为300-800个中文字符。向量化与索引用“嵌入模型”将每个文本块转换成能表示其语义的数学向量并存入专门的向量数据库如Milvus, Pinecone, Chroma等自动推理并使用工具 (ART)自动推理与工具使用Automatic Reasoning and Tool-use简称ART是将这些思考能力与行动能力相结合让AI不仅能“想”还能自主地“用工具做事”。ART的运作主要分为离线准备和在线推理两个阶段准备阶段建立“经验库”任务库 (Task Library)预先存入各种复杂任务的“示范解法”。例如对于“计算增长率”这类任务库中会存有“先查数据再计算”的示范步骤。工具库 (Tool Library)集成AI可以调用的外部工具如搜索引擎、计算器、代码解释器、各种API等。在线推理阶段自主解决问题接收任务用户提出一个复杂问题。匹配与分解ART从任务库中检索最相似的“示范”并以此为指导将新任务分解为一系列子步骤。这个过程是零样本Zero-shot的即不需要为每个新任务都提供新示例。动态执行模型开始一步步执行子步骤。当需要外部信息或计算时如“查询今天的股价”它会自动暂停文本生成。调用工具ART框架根据模型指令调用工具库中相应的工具如股票API。整合与继续工具执行后返回结果如“股价为150元”ART将结果“喂”回给模型。模型恢复生成基于这个新信息继续推理直到完成所有步骤输出最终答案。自动提示工程师APE自动提示工程师Automatic Prompt Engineer简称APE是一种让AI自动为你编写和优化提示词Prompt的技术。它的核心思想是将提示工程这个原本依赖人类经验和直觉的过程转变为一个由AI驱动的、自动化的优化问题。APE的工作流程是一个典型的“生成-评估-迭代”循环就像一个AI在“自己考自己”候选指令生成 (Propose)首先向一个“生成模型”可以是任意的LLM提供一些任务示例输入和期望的输出。这个模型会根据这些示例批量生成各种可能的提示词候选。指令性能评估 (Score)然后将上一步生成的所有候选提示词逐一传递给“目标模型”通常就是你要优化的那个LLM去执行任务。系统会根据预定义的评分函数如准确率、完整度或使用另一个LLM来打分来评估每个提示词的效果。迭代优化与选择 (Select Iterate)系统会选出当前评分最高的提示词。在更高级的流程中这个过程会进入迭代循环。系统会让生成模型基于当前的最优提示词去创造它的“变体版本”然后再次进行评估和选择。通过这种方式提示词的质量会在一轮轮的“进化”中不断提升主动学习Active-PromptActive-Prompt是一种先进提示词工程技术旨在解决思维链CoT方法中的一个核心痛点依赖于一套固定的人工标注示例而这些示例可能并非针对特定任务的最优选择。它通过引入主动学习Active Learning的思想让模型自己“找出”哪些问题是它最不擅长的然后由人工专门为这些“难题”编写思维链示例。这就像一个“查漏补缺”的智能助手能显著提升示例的利用效率和模型的推理表现。Active-Prompt 的工作流程形成了一个高效的闭环主要包含以下四个步骤候选答案生成首先针对一批任务问题不含答案让模型生成k个可能的答案。这就像是让模型进行一次“模拟考”并给出多种解题思路。不确定性计算接着系统会分析模型对这同一个问题生成的k个答案。如果答案之间分歧很大说明模型对此问题“心里没底”不确定性高。常用的度量指标包括答案的分歧度Disagreement或概率熵值Entropy。人工精选标注系统会根据不确定性得分选出最让模型“困惑”的一批问题交由人工进行思维链CoT标注。这确保了宝贵的人力能精准投入到最能提升模型性能的“刀刃”上。推理与迭代最后用这些新标注的、针对性极强的示例来构建新的提示词引导模型进行推理。整个过程可以迭代进行持续优化与思维链与自动提示工程师对比对比思维链 (CoT)CoT依赖人工预先选定的固定示例而Active-Prompt是模型主动选择哪些问题需要示例是CoT的一个进化版本。对比自动提示工程师 (APE)两者都旨在优化提示词但路径完全不同。APE的目标是自动化地生成和搜索最优的提示词指令本身而Active-Prompt的目标是自动化地筛选出最值得人工去标注思维链示例的问题。你可以理解为APE在找“怎么问最好”而Active-Prompt在找“针对什么问题去准备示例最好”。方向性刺激提示因材施教方向性刺激提示Directional Stimulus Prompting简称DSP。它的核心思想是不直接修改“黑盒”大模型本身而是训练一个轻量级的“策略模型”来为每个具体问题动态生成一条“定制线索”从而引导大模型生成更精准、更符合要求的输出DSP的工作流程分为两个阶段1、训练阶段培养你的“高级助理”策略模型监督微调SFT首先准备一个小型数据集其中包含输入和对应的“伪刺激”。例如对于“新闻摘要”任务“伪刺激”可能就是摘要中应包含的关键词。然后用这些数据训练一个小型策略模型如T5。强化学习RL优化为进一步提升效果还会采用强化学习。根据大模型在使用“刺激”后输出的质量给予“奖励”或“惩罚”让策略模型学会生成更有效的提示。2、推理阶段执行任务动态生成刺激当用户提出新问题例如一篇长文章时训练好的策略模型会为其生成一条“方向性刺激”。组合并输入大模型这条刺激例如几个核心关键词会与原始问题组合成一个增强的提示词。生成最终结果大模型根据这个包含“定制线索”的提示生成更准确、更符合预期的最终答案程序辅助语言模型PALPALProgram-Aided Language Models程序辅助语言模型是一种创新的方法旨在解决大语言模型LLM在算术和逻辑推理上的“偏科”问题。它的核心思想让LLM只负责将问题“翻译”成代码而把具体的计算和执行过程交给专业的“计算器”如Python解释器来完成PAL的核心是构建一个“LLM 代码解释器”的组合让它们各司其职大语言模型 (LLM)担任“翻译官”和“规划师”的角色。它负责理解用自然语言描述的问题并将推理步骤转化为结构化的Python代码。代码解释器 (如Python Interpreter)担任“计算器”和“执行者”的角色。它负责执行LLM生成的代码并返回精确的计算结果PAL的执行流程清晰直接问题输入用户向系统提出一个需要推理或计算的自然语言问题。代码生成LLM分析问题生成解决该问题的Python代码。此过程通常会结合思维链CoT技术让模型逐步推理但将推理的每一步都转化为代码。代码执行与输出Python解释器执行这段代码计算出最终答案并返回给用户ReAct 框架思维链CoT是教AI“在脑中如何一步步想”那么ReAct就是教AI“想完之后如何去查、去做并根据环境反馈继续调整”。它将推理与行动交织成一个闭环是现代AI智能体系统最常见的执行骨架之一。ReAct的核心灵感来源于人类的决策过程我们不只是被动思考而是通过思考制定计划、执行行动、观察结果并据此调整策略。ReAct将这一过程应用到LLM中打破了传统模型“输入-输出”的单向链路构建了“感知-决策-执行-反馈”的智能闭环。ReAct的工作流程是一个不断循环的“思考-行动-观察”Thought-Action-Observation过程也被称为TAO循环。思考 (Thought)模型首先分析当前状态推理并规划下一步的行动。例如“我需要先搜索一下这家公司的背景信息。”行动 (Action)根据思考结果模型执行一个具体的操作。这可以是调用一个外部工具如搜索引擎、计算器、数据库或API等。观察 (Observation)模型接收并分析行动执行后返回的结果。例如“搜索结果返回了三条相关新闻。”循环迭代模型将“观察”到的新信息作为“思考”的输入进入下一轮循环。这个过程会不断重复直到模型认为任务完成为止。自我反思Reflexion自我反思Reflexion是一种让AI智能体Agent通过语言反馈进行自我完善的框架。它解决的核心问题是传统的强化学习依赖“1/-1”这样的数值奖励智能体虽然知道做得好不好但不知道“为什么”和“怎么改”。而Reflexion通过让AI用自然语言进行“复盘”生成具体的改进建议从而在下一轮任务中表现得更好。传统微调为了改进需要重新训练模型成本高昂。Reflexion将一次尝试的失败经验用自然语言总结成“教训”存入一个“经验库”情景记忆。下次遇到类似任务时模型会先参考这些“教训”从而避免重蹈覆辙。一个形象的比喻这就像人类学习骑自行车摔倒了失败不是去“更新”自己的身体硬件而是记住了“下次转弯时速度要慢一点”这条经验语言反馈。Reflexion框架通过三个核心组件的协同工作形成一个闭环。参与者 (Actor)负责执行任务。它根据当前任务和任何可用的“经验”生成思考和行动通常会结合ReAct或思维链CoT等技术。评估者 (Evaluator)负责对参与者的表现进行打分。它会评估任务执行的结果如代码是否通过测试并给出一个分数或评价。自我反思 (Self-Reflection)这是核心步骤。如果评估者认为结果不理想反思模块会分析失败原因并生成具体的、用自然语言描述的改进建议。例如它可能会生成“在步骤3中忽略了边界条件下次应补充输入验证逻辑”。