Dify 內(nèi)置了兩種 Agent 策略：Function Calling 和 ReAct，但二者有什么區(qū)別呢？在使用時(shí)又該如何選擇呢？接下來我們一起來看。

1.Function Calling

Function Call 會(huì)通過將用戶指令映射到預(yù)定義函數(shù)或工具，LLM 先識別用戶意圖，再?zèng)Q定調(diào)用哪個(gè)函數(shù)并提取所需參數(shù)。

它的核心是調(diào)用外部函數(shù)或工具，屬于一種明確的工具調(diào)用機(jī)制。

優(yōu)點(diǎn)：

• 精確：對于明確的任務(wù)，可以直接調(diào)用相應(yīng)的工具，無需復(fù)雜的推理過程。
• 易于集成外部功能可以將各種外部 API 或工具封裝成函數(shù)供模型調(diào)用。
• 結(jié)構(gòu)化輸出：模型輸出的是結(jié)構(gòu)化的函數(shù)調(diào)用信息，方便下游節(jié)點(diǎn)處理。
• 執(zhí)行效率高：對于簡單、明確的任務(wù)，執(zhí)行速度快。

缺點(diǎn)：

• 如果任務(wù)定義不明確或用戶意圖模糊，LLM 可能難以準(zhǔn)確選擇工具或提取參數(shù)。
• 對于需要多輪推理才能確定調(diào)用哪個(gè)工具的任務(wù)，不夠靈活。

適用場景：

• 需要根據(jù)用戶意圖精確調(diào)用特定工具的自動(dòng)化任務(wù)。
• 需要與外部 API 或服務(wù)進(jìn)行交互的場景。
• 數(shù)據(jù)檢索、信息查詢并以特定格式呈現(xiàn)的應(yīng)用

2.ReAct

ReAct=Reason+Act，推理+行動(dòng)，LLM 首先思考當(dāng)前狀態(tài)和目標(biāo)，然后選擇并調(diào)用合適的工具，工具的輸出結(jié)果又將引導(dǎo) LLM 進(jìn)行下一步的思考和行動(dòng)，如此循環(huán)，直到問題解決。

舉例說明

舉個(gè)例子，正常情況下，當(dāng)我們在計(jì)算一個(gè)商品的價(jià)格時(shí)，它的執(zhí)行步驟是這樣的：

• 查詢商品原價(jià)。
• 計(jì)算商品優(yōu)惠價(jià)。
• 計(jì)算商品最終價(jià)格=商品原價(jià)-優(yōu)惠價(jià)。

但某個(gè)商品情況比較特殊，它在以上第二步中存儲的不是優(yōu)惠價(jià)，而是折扣價(jià)（例如 8 折優(yōu)惠），那么此時(shí)商品的最終價(jià)格的計(jì)算公式就變成了以下方式：

• 查詢商品原價(jià)。
• 查詢商品折扣價(jià)。
• 計(jì)算商品最終價(jià)格=商品原價(jià) X 商品折扣價(jià)。

在這種情況下就要使用 ReAct 策略了，因?yàn)?ReAct 策略會(huì)根據(jù)第二步的觀測結(jié)果，分析并改變第三步的計(jì)算公式，保證任務(wù)的精準(zhǔn)執(zhí)行，這種情況下就要使用 React 策略。

核心機(jī)制：

• ReAct 是一個(gè)迭代過程，LLM 在“思考（Reason）-> 行動(dòng)（Act）-> 觀察（Observe）”的循環(huán)中逐步推進(jìn)任務(wù)。
• LLM 首先分析當(dāng)前狀態(tài)和目標(biāo)，選擇并調(diào)用工具，然后根據(jù)工具的輸出進(jìn)行下一步的思考和行動(dòng)，直到問題解決。

優(yōu)點(diǎn)：

• 利用外部信息：可以有效使用外部工具來收集模型單獨(dú)無法處理的任務(wù)所需的信息。
• 可解釋性好：推理和行動(dòng)步驟交織在一起，允許一定程度上跟蹤 Agent 的過程。
• 廣泛適用性：適用于需要外部知識或特定行動(dòng)的任務(wù)，例如問答、信息檢索和任務(wù)執(zhí)行。
• 靈活性高：對于復(fù)雜、多步驟的任務(wù)，以及需要探索和動(dòng)態(tài)調(diào)整策略的場景，具有更好的適應(yīng)性。

缺點(diǎn)：

• 執(zhí)行速度和成本：由于涉及多次 LLM 調(diào)用，ReAct 通常比 Function Calling 更慢，并且消耗更多的 tokens。
• 推理穩(wěn)定性：在很大程度上取決于 LLM 的推理能力以及提示（Instruction）的質(zhì)量。
• 輸出解析復(fù)雜：ReAct 過程中 LLM 產(chǎn)生的“思考”文本格式可能不一致，給解析和提取關(guān)鍵信息帶來挑戰(zhàn)。

適用場景：

• 需要進(jìn)行探索性研究、從多個(gè)來源收集和綜合信息的任務(wù)。
• 問題解決方案路徑不明確，需要通過迭代嘗試和調(diào)整來找到答案的復(fù)雜問題。
• 需要較高可解釋性，希望了解 Agent 決策過程的場景。

3.Function Calling VS React

Function Calling 和 React 區(qū)別如下：

• Function Calling 更適合簡單、明確的任務(wù)，強(qiáng)調(diào)直接調(diào)用工具的高效性。
• ReAct 更適合復(fù)雜、多步驟的任務(wù)，強(qiáng)調(diào)推理過程的靈活性和可解釋性。