详细内容或原文请订阅后点击阅览
回顾所有类型的LLM代理
常规，反应，经营链，反射，tot，got，pot所有类型的LLM代理的邮图首先出现在数据科学上。
来源:走向数据科学每个成功的AI代理的核心都是一项基本技能：提示（或“及时工程”）。这是通过仔细设计输入文本来指示LLMS执行任务的方法。
提示提示工程是第一个文本到文本NLP模型（2018）的输入的演变。当时，开发人员通常将更多的重点放在建模方面和功能工程上。在创建大型GPT模型（2022）之后，我们都开始使用大多数预训练的工具，因此焦点已转移到输入格式上。因此，“及时的工程”学科诞生了，现在（2025年）它已经成熟，因为NLP模糊了代码和提示之间的界限。
文本到文本NLP模型 “及时工程”学科不同类型的提示技术创建了不同类型的代理。每种方法都增强了特定技能：逻辑，计划，内存，准确性和工具集成。让我们以一个非常简单的例子来看看他们。
## setupimport ollamallm =“ qwen2.5” ## QuestionQ =“ 30乘以10？”
主要技术
1）“常规”提示 - 只需提出一个问题，然后得到一个简单的答案即可。也称为“零射”，特别提示在给出模型的任务时，没有任何先前有关如何解决该任务的示例。这种基本技术是为一步代理而设计的，这些代理在没有中间推理的情况下执行任务，尤其是早期模型。
常规”提示 一步代理响应= ollama.Chat（model = llm，messages = [{'requ'：'user'，'content'：q}]）print（worlds ['message ['message'] ['content']）
React（原因+ACT）
更复杂的任务
多步代理
就个人而言，我真的很喜欢反应代理，因为我发现它们与人类更相似，因为它们像我们一样“四处找出并找出答案”。
经营链（COT） 高级任务提示=''''让我们逐步思考。''''''wespons = ollama.chat（model = llm，messages = [{'requ'：'user'：'user'，'content'：q+“+stress}））print（weverse ['wessive ['message''] ['content'] ['content']）