以下是主流AI Agent认知框架的详细说明、对比及表格总结：

---

1. 各认知框架详解

(1) ReAct (Reasoning + Action)

• 定义：结合推理（Reasoning）和行动（Action）的循环过程。
• 核心机制：
  • 模型先推理（Reason）生成可能的解决方案或步骤。
  • 执行（Act）具体操作（如查询工具、调用API）。
  • 根据反馈结果迭代优化。
• 适用场景：需要逐步解决问题的复杂任务（如多步骤推理、工具调用）。
• 示例：用户问“纽约到巴黎的航班价格”，模型先推理需要查询航班数据，再调用API获取实时价格。

(2) 函数调用（Function Calling）

• 定义：模型通过预定义的函数接口直接调用外部工具或API。
• 核心机制：
  • 模型生成符合函数参数的自然语言指令。
  • 系统解析指令并调用对应函数执行。
• 适用场景：需要调用结构化工具（如数据库查询、API接口）的任务。
• 示例：调用天气API获取实时天气数据。

(3) 计划与执行（Plan-And-Execute）

• 定义：分阶段处理任务，先制定计划再执行。
• 核心机制：
  1. 计划阶段：模型生成详细步骤或子任务。
  2. 执行阶段：逐步完成每个子任务并整合结果。
• 适用场景：复杂多步骤任务（如编写代码、解决问题）。
• 示例：解决数学题时先规划解题步骤，再逐步计算。

(4) 自问自答（Self-Ask）

• 定义：模型通过生成问题并自行回答来逐步推导答案。
• 核心机制：
  • 模型生成中间问题，模拟人类的思考过程。
  • 逐步回答问题，最终整合答案。
• 适用场景：需要分步推理或知识补全的任务（如阅读理解、逻辑推理）。
• 示例：阅读一段文字后，自问关键细节并回答以提炼答案。

(5) 批判修正（Critique & Revise / Self-Reflection）

• 定义：模型自我检查输出并迭代优化。
• 核心机制：
  1. 生成初步答案：模型输出初始结果。
  2. 批判阶段：模型评估答案的合理性。
  3. 修正阶段：根据批判结果调整并重新生成。
• 适用场景：需要高准确性的任务（如写作、代码调试）。
• 示例：模型生成代码后，自我检查语法错误并修正。

(6) 思维链（Chain-of-Thought, COT）

• 定义：通过逐步展开中间推理步骤生成最终答案。
• 核心机制：
  • 模型以自然语言详细描述推理过程。
  • 分步骤推导，最终整合为答案。
• 适用场景：需要展示思考过程的任务（如数学题、逻辑推理）。
• 示例：解决数学题时分步写出计算过程。

(7) 思维树（Tree-of-Thought, TOT）

• 定义：通过分支探索多种可能的推理路径。
• 核心机制：
  • 模型生成多个可能的中间思路（分支）。
  • 评估并选择最优路径继续推理。
• 适用场景：需要探索多种可能性的任务（如创意生成、策略规划）。
• 示例：设计解决方案时生成多个分支思路并筛选最佳方案。

---

2. 核心差异对比

关键维度对比

框架	核心机制	是否依赖外部工具	是否分阶段	是否自我修正	典型输出形式
ReAct	推理+行动循环	是	是	部分（迭代）	动态步骤结果
函数调用	直接调用函数	是	否	否	工具返回的数据
计划与执行	分阶段计划+执行	可选	是	否	结构化步骤输出
自问自答	生成问题并回答	否	是	否	分步推理过程
批判修正	自我检查+迭代优化	否	是	是	修正后的最终答案
思维链（COT）	逐步展开推理过程	否	是	否	详细推理步骤
思维树（TOT）	分支探索多种路径	否	是	否	多分支结果+最优选择

技术特点差异

• 是否需要外部工具：
  • ReAct、函数调用依赖外部工具，其他框架主要依赖模型自身推理。
• 推理路径：
  • COT是线性推理，TOT是分支探索。
• 迭代能力：
  • 批判修正框架具备自我迭代能力，其他框架多为单次推理。

---

3. 选择建议

需求场景	推荐框架	理由
需要逐步推理并调用工具	ReAct	动态推理与行动结合
直接调用外部API或函数	函数调用	简洁高效，适合结构化任务
复杂多步骤任务规划	计划与执行	明确分阶段处理
需要展示中间思考过程	思维链（COT）	详细推理过程透明
需要探索多种可能性	思维树（TOT）	分支式探索最优解
需要高准确性输出	批判修正	自我检查与迭代优化

---

总结表格

框架名称	核心特点	适用场景	优缺点
ReAct	推理+行动循环	多步骤工具调用	灵活但需要工具支持；适合复杂任务
函数调用	直接调用函数	结构化API调用	简单高效；依赖工具接口
计划与执行	分阶段计划+执行	复杂任务规划	结构清晰；需明确步骤划分
自问自答	生成问题并回答	分步推理任务	思维过程透明；计算开销较大
批判修正	自我检查+迭代优化	高精度输出需求	输出质量高；需多次迭代
思维链（COT）	逐步展开推理过程	需要展示推理过程	可解释性强；线性路径可能遗漏最优解
思维树（TOT）	分支探索多种路径	需要探索多种可能性	创新性强；计算资源需求高

---

总结

• 工具依赖型：ReAct、函数调用 → 需结合外部工具。
• 推理过程透明：COT、Self-Ask → 适合需要解释的场景。
• 探索与优化：TOT、Critique & Revise → 多分支或高精度需求。
  根据具体任务需求（如是否需要工具、推理路径、输出形式）选择合适的框架。