Prompting

Prompting推理与行动提示是一种引导大型语言模型LLM进行推理和行动的策略广泛应用于复杂问题求解、对话生成和自动化任务等领域。

ReAct

Prompting

通过将模型的思考过程结构化为一系列步骤使模型能够像人类一样进行推理、执行行动并根据反馈不断调整达到更高的任务完成效果。

本文将详细讲解

ReAct

TQAThink-Question-Answer来辅助用户故事编写。

ReAct

的核心思想是将模型的输出过程分为三个部分思考Thought、行动Action

观察Observation。

在每个步骤中模型会进行推理思考、选择合适的行动然后基于观察到的反馈继续调整推理。

这种循环可以帮助模型在复杂任务中不断优化自己的输出。

ReAct

Prompting为模型提供解决问题的背景信息。

上下文可以帮助模型理解任务的具体场景和需求。

ReAct

观察Thought-Action-Observation”的顺序。

推理Reasoning提示模型根据当前上下文进行思考和推理例如“让我们一步步思考”或“根据现状进行推理”等。

行动指令集Action

Set为模型提供一组可能的行动选择使模型能够从中挑选适合当前推理的行动。

ReAct

中模板包含几个关键部分每个部分都对应特定的业务场景和模型的交互方式

{context}表示业务整体的解决方案涵盖主要的业务背景信息。

如果

LLM

提出的问题包含了对基础概念或流程的误解那么需要重新修改业务背景说明这就意味着要调整模板中用于表示业务上下文的部分。

{story}表示当前的用户故事。

这个部分定义了当前需要讨论的用户操作场景。

如果

LLM

提出的问题包含了对操作的误解那么需要修改用户故事即调整模板中表示用户故事的部分。

{history}表示之前回答过的历史记录用于跟踪多轮对话中的上下文。

如果

LLM

提出的问题仅仅是关于交互细节的那么我们只需要在会话中回答这些细节这些信息会被记录在

{history}

观察用户反馈问题未解决。

TQAThink-Question-Answer在

ReAct

中模型不仅进行思考Thought还会主动提问Question来获取更多细节并利用收到的答案Answer来丰富推理过程。

TQA

TQA

你是一个熟悉“示例驱动规格说明”的业务分析师而我是领域专家。

CONTEXT{context}END

CONTEXT

提出的问题包含对基础概念或流程的误解需要调整这里的业务背景信息。

USER

STORY{story}END

使用场景解释用户故事并遵循下面的格式进行描述。

Thought:

you

思考模型需要思考用户故事中的不清晰部分不涉及技术细节。

Question:

the

思考当模型认为已经了解足够信息时停止提问。

Scenarios:

List

提出的问题仅关于交互细节可以直接在会话中回答这些信息会被记入历史记录。

通过

LangChain

Memory用于存储模型的思考和观察帮助在多轮对话中积累信息。

LLM

PromptTemplate(input_variables[context,

story],templateYou

initialize_agent(tools[Tool(prompttqa_prompt,

提供上下文和用户故事

react_agent.run(contextcontext,

storystory)

引导模型思考与提问通过上下文提示引导模型识别不确定性并进行结构化提问。

每次的提问和回答循环帮助逐步

关注业务逻辑在推理时忽略技术问题确保输出的内容始终围绕业务逻辑展开。

自动生成验收场景最终TQA

的输出会将用户故事转换为多个验收条件提供清晰、具体的场景描述。

ReAct

的推理与行动提供了一套明确的框架使其能够在复杂任务中更好地理解上下文自动生成高质量的用户故事验收条件。

这种方法不仅提高了

LLM

的交互质量也为业务分析、测试设计等场景提供了强有力的支持。

通过

LangChain