Рэакцыя з нуля: думка, дзеянне, пауза, абазаванне без кантрэлі.

Вступ

Запытайце модель на простай мове пра цэну Nvidia у рэальны час і пра тое, скількі акцыяў можна купіць за 100 000 долераў. Без спецыяльных засобаў яна выдумвае застарэлыя данні з матэрыялаў навчання, а потым правельна вырахоўвае рэзультаты на неправильных даных. У яе няма вбудованага механізму, які б значыў «Я не ведаю — трэба паглядзець», таму што пошук інформаціі не ўскладнюецца адзіным процесам обработкі даных.

Калітэт адпаведзяў паднялася, і моделі паказаліся корыстнымі для адгукнення ў адзін момент. Толькі планаванне яшчэ не дае автонаміі. Запытанні, якія визначаюць агентаў, такія: што знаходзіцца за межамі ведомасці моделі, якія дзеяння ўможлівяюць ёй яго атрыманне, як практычна даць рэзультат, як перасмотраць план і калі зупыніцца. Процес «Рашэнь → дзеянне → перакантроль → парадзейнаўкі» — це цыкл, а не праўая лінія. Гэты цыкл ёсць вучою савечных штучных інтэлектуальных агентаў. Модель ReAct (Рашэнь + Дзеянне) задала такі патэрн. Пачатковыя дамастанты не былі прыкладамі аплікацый LangChain — гэта быў LLM, структураваны запыт і чалавек (або пазней скрыпт), які выкананаў дзеянні і вернуў адзысканыя данні.

Практычны прыклад ReAct: Рашэнь + Дзеянне

Прыклад з пашаго адгукнення:

from groq import Groq
import re
from dotenv import load_dotenv

_ = load_dotenv()

client = Groq()

message = client.chat.completions.create(
    model="openai/gpt-oss-120b",  # free, fast open-weight model hosted on Groq
    max_tokens=1000,
    messages=[
        {"role": "user", "content": "Hello, GPT!"}
    ],
)

print(message.choices[0].message.content) # Check the client

class Agent:
    def __init__(self, system=""):
        self.system = system
        self.messages = []
        if self.system:
            self.messages.append({"role": "system", "content": system})

    def __call__(self, message):
        self.messages.append({"role": "user", "content": message})
        result = self.execute()
        self.messages.append({"role": "assistant", "content": result})
        return result

    def execute(self):
        response = client.chat.completions.create(
            model="openai/gpt-oss-120b",
            max_tokens=1000,
            messages=self.messages,
        ).choices[0].message.content
        return response

prompt = """
You run in a loop of Thought, Action, PAUSE, Observation.
At the end of the loop you output an Answer
Use Thought to describe your thoughts about the question you have been asked.
Use Action to run one of the actions available to you - then return PAUSE.
Observation will be the result of running those actions.

Your available actions are:

calculate:
e.g. calculate: 4 * 7 / 3
Runs a calculation and returns the number - uses Python so be sure to use floating point syntax if necessary

fish_weight:
e.g. fish_weight: Shark
returns weight of a fish when given the breed

Example session:

Question: How much does a shark weigh?
Thought: I should look the fish weight using fish_weight
Action: fish_weight: Shark
PAUSE

You will be called again with this:

Observation: A Great white shark weights 41000 lbs

You then output:

Answer: A Great white shark weights 41000 lbs
""".strip()

def calculate(expression):
    return eval(expression)

def fish_weight(name):
    if "Shark" in name:
        return("Great white shark weighs 41000 lbs")
    elif "Puffer" in name:
        return("A puffer fish weighs 20 lbs")
    else:
        return("A fish can weight upto 47000 lbs")

known_actions = {
    "calculate": calculate,
    "fish_weight": fish_weight
}

abot = Agent(prompt)

result = abot("How much does a Shark weigh?")
print(result)

result = fish_weight("Shark")
result

next_prompt = "Observation: {}".format(result)
abot(next_prompt)

abot.messages # View the list of messages containing the conversation

# Present a compund query
abot = Agent(prompt)
# New query
question = """I have 2 fishes, a Shark and a puffer fish. \
What is their combined weight"""
abot(question)

next_prompt = "Observation: {}".format(fish_weight("Shark"))
print(next_prompt)

abot(next_prompt)

next_prompt = "Observation: {}".format(fish_weight("Puffer fish"))
print(next_prompt)

abot(next_prompt)

next_prompt = "Observation: {}".format(eval("41000 + 20"))
print(next_prompt)

abot(next_prompt)

## Add loop (automate the reasoning + act process)

action_re = re.compile('^Action: (\w+): (.*)

def query(question, max_turns=5):
    i = 0
    bot = Agent(prompt)
    next_prompt = question
    while i < max_turns:
        i += 1
        result = bot(next_prompt)
        print(result)
        actions = [
            action_re.match(a)
            for a in result.split('\n')
            if action_re.match(a)
        ]
        if actions:
            # There is an action to run
            action, action_input = actions[0].groups()
            if action not in known_actions:
                raise Exception("Unknown action: {}: {}".format(action, action_input))
            print(" -- running {} {}".format(action, action_input))
            observation = known_actions[action](action_input)
            print("Observation:", observation)
            next_prompt = "Observation: {}".format(observation)
        else:
            return

question = """I have 2 fishes, a Shark and a puffer fish. \
What is their combined weight"""
query(question)