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

1.Function Calling

Function Call 會通過將用戶指令映射到預定義函數(shù)或工具，LLM 先識別用戶意圖，再決定調(diào)用哪個函數(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)用機制。

優(yōu)點：

• 精確：對于明確的任務，可以直接調(diào)用相應的工具，無需復雜的推理過程。
• 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)點處理。
• 執(zhí)行效率高：對于簡單、明確的任務，執(zhí)行速度快。

缺點：

• 如果任務定義不明確或用戶意圖模糊，LLM 可能難以準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)用哪個工具的任務，不夠靈活。

適用場景：

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

2.ReAct

ReAct=Reason+Act，推理+行動，LLM 首先思考當前狀態(tài)和目標，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 LLM 進行下一步的思考和行動，如此循環(huán)，直到問題解決。

舉例說明

舉個例子，正常情況下，當我們在計算一個商品的價格時，它的執(zhí)行步驟是這樣的：

• 查詢商品原價。
• 計算商品優(yōu)惠價。
• 計算商品最終價格=商品原價-優(yōu)惠價。

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

• 查詢商品原價。
• 查詢商品折扣價。
• 計算商品最終價格=商品原價 X 商品折扣價。

在這種情況下就要使用 ReAct 策略了，因為 ReAct 策略會根據(jù)第二步的觀測結(jié)果，分析并改變第三步的計算公式，保證任務的精準執(zhí)行，這種情況下就要使用 React 策略。

核心機制：

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

優(yōu)點：

• 利用外部信息：可以有效使用外部工具來收集模型單獨無法處理的任務所需的信息。
• 可解釋性好：推理和行動步驟交織在一起，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的任務，例如問答、信息檢索和任務執(zhí)行。
• 靈活性高：對于復雜、多步驟的任務，以及需要探索和動態(tài)調(diào)整策略的場景，具有更好的適應性。

缺點：

• 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：

• 需要進行探索性研究、從多個來源收集和綜合信息的任務。
• 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，強調(diào)直接調(diào)用工具的高效性。
• ReAct 更適合復雜、多步驟的任務，強調(diào)推理過程的靈活性和可解釋性。