Actor：根据状态观察生成文本和动作。当参与者在环境中采取行动并接受观察时，就会形成轨迹。之前介绍的Reflekion Agent实际上就是针对这个领域的。评估者：评估参与者的结果。具体来说，它以生成的路径（也称为短期记忆）作为输入并输出结果以获得奖励。
根据角色的不同，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：这个角色由大型语言模型接管，可以为未来的实验提供有价值的反馈。自反模型使用奖励信号、当前轨迹及其持久记忆来生成特定的相关反馈，并将其存储在记忆组件中。
代理使用这些经验（存储在长期记忆中）来快速改进决策。大AI模型实用篇：LATS，可能是目前最强大的AI代理设计框架 因此，在集成了Tree Search、ReAct、Plan & Execute和Reflekion的能力后，LATS成为了反射模式和规划的集大成者AI 代理设计模式中的模式。
。 LATS 工作流程 LATS 工作流程如下图所示，包括以 巴拉圭 whatsapp 数据 下步骤： 选择：从根节点开始，使用上信任区树（UCT）算法选择 UCT 值最高的子节点进行扩展。扩展：通过从预先训练的语言模型 (LM) 中采样 n 个动作，接收并返回每个动作的反馈，然后添加 n 个新的子节点来扩展树。
评估：为每个新的子节点分配一个标量值，以，直到达到终止状态，优先考虑具有最高值的节点。反向传播：根据路径的结果更新树的值。路径上每个节点的值都会更新以反映模拟结果。
反思：当遇到故障的终端节点时，LM会产生自我反思，总结流程错误并提出改进计划。这些反射和故障路径将作为附加上下文集成到后续迭代中，以提高模型性能。大模型AI实用篇：LATS，可能是目前最强大的AI代理设计框架 下图展示了langchain中实现LATS的流程： 第一步，选择：根据下一步的总奖励选择最佳的下一步动作并在找到解决方案或达到最大深度时做出响应搜索，否则继续搜索。
第二步，扩展和执行：生成N个潜在操作并并行执行它们。步骤、反思和评估：观察行动结果并根据反思和外部反馈评估决策。第四步，反向传播：根据结果更新路径结果。大模型人工智能的实用章节：LATS，可能是目前最强大的人工智能代理设计框架。