网上关于智能体相关技术，经常会看到很多术语，例如： TOT、提示链、RAG、ART、ReAct、Reflexion等，这些都是在智 能体开发中使用到的技术。从广义上来讲，这些技术也属于提示词 工程的范畴，但对普通用户日常在聊天大模型场景中很难应用，更 多的是用于构建智能体。下面是对这些术语的简要说明。
TOT：即思维树（Tree of Thoughts），是思维链（COT）的 升级版本。简单来说，它是针对同一个问题，让大模型使用多种不 同解决方法，每种方法包含多个步骤，这样构成了一个思维过程的 树状结构，大模型可以采用广度优先或深度优先搜索算法遍历这棵 树，生成最佳答案。
提示链：提示链是将一个提示的输出作为另一个提示的输入， 这样可以组合多个不同的提示词，共同完成预定任务。
RAG：即检索增强生成（Retrieval Augmented Generation），RAG把一个信息检索插件和大模型结合在一起，根 据用户的提示词，智能体首先通过信息检索插件检索相关的文档， 再将文档连同用户原始输入作为提示词输入到大模型，从而产生更 优的结果。其中，RAG的信息检索插件可以是从互联网搜索引擎获 取数据，也可以是从本地的向量数据库甚至关系数据库中检索数 据。
ART：自动推理并使用工具（Automatic Reasoning and Tooluse），工作原理是：将人工标注好的任务库挂载到大模型，任务 库即一组任务示例，包含任务目标和解决步骤。当智能体接到一个 新任务的时候，可以在任务库选择合适的示例，自动推理问题求解 步骤，并在适当的位置调用外部工具，最终完成任务。
ReAct：即推理+行为（Reason+Act），可以让大模型以交错 的方式生成推理轨迹和任务特定操作。ReAct 框架允许 LLMs 与外 部工具交互来获取额外信息，从而给出更可靠和实际的回应。
下图是一个ReAct的示例。
Reflexion：自我反思 自我反思由三个不同的智能体组成：
参与者（Actor）：根据状态观测量生成文本和动作。参与者在 环境中采取行动并接受观察结果，从而形成轨迹。链式思考 （CoT）和 ReAct 被用作参与者模型。此外，还添加了记忆组件为 智能体提供额外的上下文信息。
评估者（Evaluator）：对参与者的输出进行评价。具体来说， 它将生成的轨迹（也被称作短期记忆）作为输入并输出奖励分数。 根据人物的不同，使用不同的奖励函数（决策任务使用LLM和基于 规则的启发式奖励）。
自我反思（Self-Reflection）：生成语言强化线索来帮助参与 者实现自我完善。这个角色由大语言模型承担，能够为未来的试验 提供宝贵的反馈。自我反思模型利用奖励信号、当前轨迹和其持久 记忆生成具体且相关的反馈，并存储在记忆组件中。智能体利用这 些经验（存储在长期记忆中）来快速改进决策。