Single Agent: 单一智能体架构
基于 LLM 的自主决策循环 - 规划、执行、反思
什么是单一智能体？
单一智能体 (Single Agent) 是基于大语言模型 (LLM) 的自主控制循环，能够理解任务目标、制定执行计划、调用外部工具，并通过反思机制不断优化决策，最终完成复杂的多步骤任务。
目标导向
接收用户的高层次目标，自主分解为可执行的子任务序列
工具调用
能够选择和执行外部工具 (API、数据库、代码环境) 完成超出 LLM 本身的操作
自主循环
通过反思和评估机制，持续优化执行策略直到目标达成
核心能力对比
| 能力维度 | 传统 RAG | 单一智能体 |
|---|---|---|
| 任务类型 | 单次问答 | 多步骤复杂任务 |
| 决策能力 | 被动检索 | 主动规划与调整 |
| 工具使用 | 仅向量数据库 | 多种工具 (API, 代码, 数据库) |
| 反思机制 | 无 | 自我评估与纠错 |
本节点承载《提示工程技术全景》中 #6 Prompt Chaining（已配真演练场，见下方：真实链式管线抽取→归类→格式化）与 #14 ReAct（已配真演练场，见下方：真实 Think-Act-Observe 循环）。
已覆盖技术承载（强覆盖）
已覆盖Prompt Chaining (提示链)
把复杂任务拆成有序的多个子提示，上一步输出作为下一步输入，像流水线一样串联——适合可分解、步骤依赖明确的任务。
- 步骤可控、易调试
- 单步失败易定位
- 链路长则延迟累积
- 需设计步骤边界与容错
ReAct (推理 + 行动)
交替进行推理（Thought）与行动（Action / 工具调用），用观测（Observation）闭环驱动决策——把『想』和『做』交织进同一循环。
- 可调用外部工具补齐知识
- 过程可解释、可干预
- 循环可能跑偏 / 无限
- 需工具可靠性与终止条件
Prompt Chaining 真演练场（强覆盖）
真实链式管线与上方承载卡不同，这里是 真·演练场： 把「用户反馈 → 工单」拆成 3 个有序子提示， 每一步 真实消费上一步的输出对象—— 抽取（Extract）的真实结果喂给归类（Classify），归类结果再喂给格式化（Format）。 你可逐步展开，或一键跑完整条链，并观察「上游抽取失败如何真实传播到下游」。
进度：0 / 3 步。注意每一步右下角的「→ 喂给下一步」输出，正是链式的核心。
ReAct 真演练场（强覆盖）
真实 Think-Act-Observe 循环与上方承载卡不同，这里是 真·演练场： 把「用户问价」拆成 推理（Thought）→ 行动（Action / 真实工具）→ 观测（Observation）的多轮循环。每一步的 决策由真实观测驱动——例如工具返回「未找到」时， 策略会真实改走 get_alias 分支再查价；观测齐了才调用计算器结算。循环有真实终止条件（答出或判定不可答）。
进度：0 步。注意：当工具返回「未找到」时，下一步会真实改走别名解析分支——这说明决策依赖真实观测，而非固定脚本。
点击「执行下一步」开始 ReAct 循环