代理推理——牛津大学开发提升大型语言模型逻辑能力的架构

56 0 0

什么是代理推理？

Agentic Reasoning是由牛津大学开发的一个旨在提升大型语言模型（LLM）推理效能的框架。该框架通过结合使用外部工具——例如网络搜索、代码执行以及结构化记忆来处理复杂的多步骤逻辑问题。其核心概念在于，让LLM能够在进行推理时动态地利用不同的辅助代理（比如思维导图代理、网络搜索代理和编程代），以便即时获取信息、实施计算分析及管理复杂的关系网。Agentic Reasoning在高层次的科学推理任务上表现出众，如GPQA数据集测试，并且它在专业领域的深入研究方面也超越了现有的检索增强生成系统（RAG）与封闭式LLM。

Agentic推理的核心作用

提升复杂的多层次逻辑推演技能通过利用外界资源（例如在线搜索、程序运行及系统化的数据存储），使得大型语言模型能够更加有效地解决那些需深入分析与经过多个推理阶段才能解答的难题。
即时资讯搜索及刷新通过使用网络搜索代理来即时收集最新的资讯，以保障在推理时所依赖的知识既精确又及时。
复杂的逻辑关联结构利用Mind Map代理来搭建知识图谱，能够辅助大型语言模型更系统地整理并监控在推理过程中出现的逻辑联系，从而增强其演绎推理的能力。
数据分析支援通过利用代码代理来完成编程作业，能够为那些需进行量化分析的任务提供精准的计算数据。
增强推理解能力和精确度通过合理分配任务并利用工具调用，可以减轻主要推理模型的工作压力，防止其在执行辅助性工作时打断连续的推理过程。
高级别知识整合在深入探讨的研究工作中，创建出高度优质的分析文档，其质量可与乃至优于专业的人类专家。

Agentive推理的运作机制

动态工具调用模式在进行推理解释时，大型语言模型会依据即时的需求动态判断是否启用外接工具支持，比如网络查找信息或是执行编程任务。一旦识别到对外部数据的需求，该模型将构造一个具体的查询指令，并使用特定标识符（例如“探索”或“编程”标签）将其区分开来。随后，推理解析过程会被临时搁置，此请求则被转交给对应的处理单元去完成。
外部代理之间的协作操作由于提供的内容仅有冒号，并没有实际的内容信息，因此无法完成要求的伪原创改写。如果您能提供具体需要处理的文字或段落，我会很乐意帮助您进行相应的改编工作。请重新提供具体内容吧！
- 思维导图代理服务通过转化推理链条至有组织的知识图谱，并利用实体辨识与语义关联抽取技术，增强其逻辑支撑能力。这样的知识图谱具备可查询性，能够辅助大型语言模型于推导流程中迅速检索到必要的信息。
- 在线检索代表通过网络查找与背景情境相契合的信息资源，并利用大型语言模型萃取核心内容，编制精炼摘要的同时保证资料的相关紧密及论述条理分明。
编程中介处理来自大型语言模型的编程需求，负责编排与运行相关程序，并反馈最终成果。此举旨在简化直接由大型语言模型生成及运行代码的过程中的繁琐步骤，从而增强逻辑推演的速度和效能。
逐步推演及信息刷新推理步骤是一个反复迭代的过程，在这个过程中，大语言模型依据来自外部代理的反馈不断调整和优化其推理链条，从而逐渐增强其逻辑演绎能力，并最终形成结论。
以概率为基础的创建性模型推理链条与终极解答通过整合概率模型来构建，这一过程融合了任务指南、搜索请求、工具产生的结果及知识图谱的信息，从而实现流畅合理的推理论证并得出精准结论。
推理的改进及校验通过分析工具使用频次等相关指标来改进推理流程，挑选出最优的推理路线，以增强推理由精确度和速度。

Agentic Reasoning项目的所在位置

Git代码库：在GitHub上的项目链接为https://github.com/theworldofagents/Agentic-Reasoning，该仓库包含了代理性推理的相关内容。
关于技术的arXiv论文这篇论文可以在网址 https://arxiv.org/pdf/2502.04644 中找到。