概述
本示例演示了如何将大语言模型（LLM）配置为推理智能体（Reasoning Agent），使其具备分析思维和定量问题求解能力。它展示了从简单文本生成到复杂认知任务之间的桥梁。
什么是推理智能体？
推理智能体是一种通过精心设计的系统提示词（System Prompt）配置的 LLM，能够执行逻辑分析、数学计算和多步问题求解。
类比理解
推理的挑战
为什么推理对 LLM 来说很难
然而，它们可以从训练数据中学习推理模式，并通过系统提示词加以引导。
通过系统提示词实现推理
配置模式
推理任务类型
LLM 如何"推理"
模式匹配 vs 真正的推理
推理过程
问题复杂度层级
本示例的复杂度
土豆问题极其复杂：
- 多个实体（15 人以上）
- 关系推理（家谱）
- 条件逻辑（如果已婚则...）
- 否定条件（已故人员）
- 特殊情况（饮食限制）
- 多次计算
- 单位换算
纯 LLM 推理的局限性
常见失败模式
- 计数错误：统计 15 个具有复杂关系的人时，可能输出 "14" 或 "16"
- 算术错误：在多步计算的中间步骤出错
- 上下文丢失：忘记前面的信息
改进推理：演进路径
级别 1：纯提示（本示例）
局限性：所有推理都在 LLM 内部完成，没有验证，没有工具，过程不可见。
级别 2：思维链（Chain-of-Thought）
级别 3：工具增强（simple-agent）
级别 4：ReAct 模式（react-agent）
不同类型的智能体对比
| 推理 | 工具 | 记忆 | 多轮对话 | |
|---|---|---|---|---|
| intro.js | ✗ | ✗ | ✗ | ✗ |
| translation.js | ~ | ✗ | ✗ | ✗ |
| think.js（本示例） | ✓ | ✗ | ✗ | ✗ |
| simple-agent.js | ✓ | ✓ | ✗ | ~ |
| memory-agent.js | ✓ | ✓ | ✓ | ✓ |
| react-agent.js | ✓✓ | ✓ | ~ | ✓ |
图例：✗ = 不具备，~ = 有限/隐式，✓ = 具备，✓✓ = 高级/显式
关键要点
- 系统提示词赋能推理：合理的配置可以将 LLM 转变为推理智能体
- 局限性存在：纯 LLM 推理在复杂问题上容易出错
- 工具有帮助：外部计算（计算器等）可以提高准确性
- 迭代很重要：多步推理模式（如 ReAct）效果更好
- 透明性有价值：可见的推理过程有助于调试和验证