পরবর্তী আপপরবর্তী গাইড
পরিকল্পনাকারী-নির্বাহক এজেন্ট
অ্যাপ্লিকেশন
অ্যাপ্লিকেশন গাইড
প্রতিক্রিয়া এজেন্ট প্যাটার্ন
ReAct হল একটি ভাষা-মডেল প্রম্পটিং প্যাটার্ন যা একটি বাহ্যিক সরঞ্জাম বা পরিবেশ থেকে ক্রিয়া এবং পর্যবেক্ষণের সাথে যুক্তির চিহ্নগুলিকে আন্তঃপ্রকাশ করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~1 min
এই পৃষ্ঠায়1 মিনিট পড়া
ওভারভিউ
The original paper evaluates it on knowledge-intensive question answering and interactive decision-making tasks.
গভীর ডুব
The ReAct paper prompts language models to interleave reasoning traces and task-specific actions, using observations from an external environment to update plans. It evaluates HotpotQA and FEVER with a Wikipedia API and interactive decision benchmarks including ALFWorld and WebShop. The authors report a 34-point absolute success-rate improvement on ALFWorld and 10 points on WebShop over the baselines used in their experiments. These findings are specific to the tested tasks and prompts.
বাস্তব-বিশ্ব বাস্তবায়ন
Representing a trajectory as Thought, Action, Observation and a final answer.
Using the paper’s Wikipedia API to retrieve evidence for HotpotQA and FEVER questions.
Updating a plan after an environment returns an observation.
Comparing the original paper’s ReAct results with reasoning-only and acting-only baselines in its tested tasks.
রিএক্ট এজেন্ট প্যাটার্নের ভবিষ্যত
Evaluate ReAct-style loops on the specific environment, tool reliability and task distribution. Include access limits, error handling and stopping conditions; the paper’s benchmark results do not guarantee safety or accuracy in unrelated deployments.
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- পছন্দগুলি তৈরি করুন. অ্যাপ্লিকেশন-স্তরের নকশা নির্ধারণ করে যে AI বাস্তব ফলাফলগুলিকে উন্নত করে কিনা।
- টিম এবং ওয়ার্কফ্লো. ভাল ওয়ার্কফ্লো ইন্টিগ্রেশন ব্যবহারকারীদের বিশ্বাস করতে পারে এমন উত্পাদনশীলতা লাভ তৈরি করে।
- ঝুঁকি এবং নিরাপত্তা. সুপরিসর ব্যবহারের ক্ষেত্রে পরিবর্তনের ক্লান্তি এবং বাস্তবায়নের ঝুঁকি হ্রাস করে।
জন্য সতর্ক
- একটি ভাঙা প্রক্রিয়া স্বয়ংক্রিয়ভাবে বিদ্যমান সমস্যাগুলিকে প্রসারিত করতে পারে।
- দলগুলি অতিরিক্ত-স্বয়ংক্রিয় হতে পারে এবং প্রয়োজনীয় মানবিক বিচার অপসারণ করতে পারে।
- আউটপুট ক্রমাগত মূল্যায়ন না করা হলে গুণমান প্রবাহিত হতে পারে।
পরবর্তী পদক্ষেপ
- বর্তমান ওয়ার্কফ্লো ম্যাপ করুন এবং সর্বোচ্চ-ঘর্ষণ ধাপ সনাক্ত করুন।
- সম্পূর্ণ অটোমেশনের আগে মানব চেকপয়েন্টগুলি সংজ্ঞায়িত করুন।
- ব্যবহারকারীদের প্রম্পট, বৃদ্ধির পথ এবং মানের মান সম্পর্কে প্রশিক্ষণ দিন।
- টেকসই মান নিশ্চিত করতে টাস্ক-লেভেল ফলাফল ট্র্যাক করুন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the ReAct Agent Pattern quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ReAct এজেন্ট প্যাটার্ন কি?
ReAct is a language-model prompting pattern that interleaves reasoning traces with actions and observations from an external tool or environment. The original paper evaluates it on knowledge-intensive question answering and interactive decision-making tasks.
ReAct প্যাটার্ন কোন দুটি ক্ষমতাকে একত্রিত করে?
ReAct মানে যুক্তি এবং অভিনয়; এটি টুল কলের মত কংক্রিট কর্মের সাথে চেইন-অফ-থট যুক্তিকে আন্তঃপ্রকাশ করে।
একটি ReAct লুপের তিনটি পুনরাবৃত্তিমূলক উপাদান কী কী?
একটি ReAct লুপ চক্র একটি চিন্তা (পরিকল্পনা), একটি অ্যাকশন (টুল কল), এবং একটি পর্যবেক্ষণ (ফলাফল), সম্পন্ন না হওয়া পর্যন্ত পুনরাবৃত্তি করে।
ReAct লুপে একটি 'পর্যবেক্ষণ' কি?
পর্যবেক্ষণ হল মডেলের নির্বাচিত অ্যাকশন চালানোর পরে সিস্টেমটি যে প্রতিক্রিয়াটি ফেরত দেয়, যা মডেলটি পরে কারণ করে।
বিশুদ্ধ চেইন-অফ-থট যুক্তির তুলনায় ReAct কেন হ্যালুসিনেশন কমাতে পারে?
টুলস থেকে বাস্তব পর্যবেক্ষণের সাথে যুক্তির আন্তঃস্থাপনা করে, মডেলটি উত্তর উদ্ভাবনের পরিবর্তে তথ্য এবং সঠিক কোর্স পরীক্ষা করতে পারে।
What improvement did the ReAct paper report over imitation/RL baselines on ALFWorld?
The original ReAct paper reports an absolute success-rate improvement of 34 points over imitation and reinforcement-learning baselines on ALFWorld, with a separate 10-point result on WebShop; this is scoped to its experiments.
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড