利用人工智能自學 – 建立個人化知識成長的AI導師

你是否曾經希望有一位隨時可用、完美耐心且專為你的學習需求量身定制的導師？歡迎來到教育的未來，人工智能（AI）讓這一切成為可能，而且以比你預期更易於獲取且具成本效益的方式實現。AI導師正在革命性地改變我們的學習方式，提供個性化的教育體驗。在這篇博客文章中，我們將探討如何利用AI的力量來創建你自己的導師，掌控你的知識成長。

什麼是AI導師，它們與真實導師有什麼比較？

AI導師是用於提供教育幫助和個性化學習體驗的精密程式。與傳統的學習方法不同，AI導師可以根據你的學習步伐、風格和教育需求進行調整，準確地在你需要的時候和地方提供幫助。AI導師經歷了顯著的演變；從曾經複雜且先進的工作中，隨著現代AI技術如ChatGPT的出現，已大大簡化。

如今，這些先進的系統對於沒有深厚技術背景的人來說也觸手可及，使得創建AI導師比以往任何時候都更加容易——關鍵在於它們的編程過程，即所謂的提示工程。提示允許個人使用自然語言命令來“編程”或引導AI的行為。這意味著你可以用母語指示AI，而無需傳統的編碼技能。通過有效地設計提示，每個人都可以根據各種教育需求定制AI的回應和教學方法，創造出個性化的學習環境，這在沒有大量投資和專業知識的情況下以前是難以實現的。

然而，如果我能找到真正的導師，為什麼還需要AI導師？

由於成本限制、可用性以及個性化的內在限制，找到一位有效的傳統導師可能具有挑戰性。儘管人類導師擁有專業知識，但他們可能無法始終提供即時的全天候幫助，或適應每個學生獨特的學習風格。相比之下，AI導師提供可擴展、個性化的輔導解決方案，克服了這些障礙，儘管它們可能尚未完全複製人類導師所能提供的細膩理解和人際聯繫。這種AI教育工具的民主化有潛力徹底改變我們對教學和學習的方式，打破障礙，開啟全球範圍內個性化教育的新可能。

在我們深入探討之前，讓我們先通過以下實例快速體驗一下AI導師的魅力：

• OpenAI上的Python AI導師（部分國家可能需要VPN訪問）
  • https://chat.openai.com/g/g-z5CI3LCfQ-python-ai-tutor
    • 
• Poe上的免費Python AI導師（使用Poe帳戶免費訪問）
  • https://poe.com/Python-AI-Tutor-Free
    • 
• Poe上的高級Python AI導師（更高品質，但需要訂閱Poe帳戶）
  • https://poe.com/Python-AI-Tutor-Pro
    • 

建立AI導師的基礎

你每一位都可以以便捷的方式建立一個AI導師，但仍有一些技巧可以打造更優秀的導師。這段旅程的開始是確定你的教育目標並掌握提示工程的能力——即設計有效AI互動的藝術。以下是一個結構化的方法來幫助你開始：

1. 定義你的目標： 明確你希望通過AI導師達成什麼。無論是掌握一門複雜的學科還是理解基礎知識，擁有明確且可衡量的目標將引導AI的焦點和結構。
2. 了解你的學習者特徵： 認識自己獨特的學習風格。是視覺資料增強了你的理解，還是通過文本更好地掌握概念？你是從大量的例子中受益，還是喜歡立即動手解決問題？這種理解將有助於根據你的偏好定制AI的教學方法。
3. 考慮學習深度： 評估你在學習過程中期望的深度水平。你是尋求全面的理解還是僅僅了解概述？你的AI導師的回應應該反映你所追求知識的複雜性。
4. 選擇合適的語調： 決定最適合你的互動語調。是正式和權威的語氣有助於你的學習，還是友善和對話式的語調讓你更舒服？語調可以顯著影響你的參與度和導師的有效性。
5. 選擇你的語言： 確定授課的語言。使用母語可以促進更直觀和無縫的學習體驗，增強理解和與AI的互動。如果AI在你的語言上訓練得足夠，使用該語言的提示的效果可能相當於甚至超過英語。
6. 學習提示工程的基礎： 投入時間了解可訪問的AI平台，如OpenAI的ChatGPT或Poe，了解它們的運作方式以及哪些提示能產生最佳的教育內容。練習撰寫能引導AI提供符合你的目標、學習風格、期望深度、語調和語言的內容的提示。

通過考慮這些方面，你可以定制一個不僅符合你的教育需求，還能與你的個人學習偏好相契合的AI導師，確保更有效且愉快的教育體驗。

選擇合適的AI平台

進入AI導師的世界時，最關鍵的步驟之一是選擇合適的AI平台。對於沒有技術背景的人來說，選擇一個能降低複雜性並讓你專注於開發和改進提示的平台非常重要。以下是需要考慮的幾個關鍵點：

• 用戶友好的介面： 找尋具有直觀介面的平台，讓你可以輕鬆輸入提示並理解回應，而無需瀏覽技術術語或複雜設置。
• 提示重點： 選擇一個強調提示開發的平台。這意味著平台應該允許你試驗不同的提問方式或指令，以觀察AI的反應。
• 快速迭代： 平台應允許快速測試和調整提示，這樣你可以反覆改進並了解AI導師的能力和限制。
• 社區與支持： 強大的用戶社區和隨時可用的支持資源在你剛開始時非常寶貴。它們可以提供範例、建議和故障排除幫助。

在選擇AI平台來開發你的AI導師時，找到一個讓你能專注於設計提示而不被技術細節困擾的平台非常重要。兩個受歡迎且滿足這些需求的AI平台是OpenAI和Poe。雖然OpenAI以其先進的語言模型如ChatGPT聞名，提供強大的API和用戶友好的界面，但值得注意的是，OpenAI的服務並非在每個國家都可普遍訪問。這時，Poe成為一個值得稱讚的替代選擇，提供類似的功能，而無需設置額外工具以繞過地區限制的複雜性。

• 嘗試OpenAI上的Python AI導師演示（部分國家可能需要VPN訪問）
  • https://chat.openai.com/g/g-z5CI3LCfQ-python-ai-tutor

對於不熟悉的用戶，VPN（虛擬私人網絡）是一種在網際網路上建立安全加密連接的服務。它可以掩蓋你的IP地址，讓你看起來像是從不同的位置訪問網際網路。這有時可以讓用戶訪問其國家不可用的服務。然而，設置VPN增加了一個額外步驟，可能會使用戶體驗變得複雜。

Poe因其全球可訪問性而脫穎而出，消除了使用VPN的需求，簡化了過程。這使其成為尋求進入AI世界的簡便入口點的個人特別吸引人的選擇，確保你可以專心於開發有效的教育提示並在實時中進行測試。

• Poe上的免費Python AI導師（使用Poe帳戶免費訪問）
  • https://poe.com/Python-AI-Tutor-Free
• Poe上的高級Python AI導師（更高品質，但需要訂閱Poe帳戶）
  • https://poe.com/Python-AI-Tutor-Pro

通過優先考慮這些因素，非技術人士可以享受更順暢的創建有效AI導師的過程，專注於設計提示的創意方面，而不會被底層的技術複雜性所拖累。

設計有效的提示

在人工智能領域中，“提示”不僅僅是一條普通訊息；它是精心設計的輸入，旨在引出AI特定的回應或行動。與我們日常交流中的隨意消息不同，提示被結構化以優化AI的理解和輸出，使其成為AI導師成功的基石。

什麼是提示？

提示是你提供給AI系統的單詞、問題或指令的組合。可以將其視為與AI對話的起始點，引導其朝著你希望的回應方向發展。它設置了上下文並提供了方向，這就是為什麼提示不僅僅是普通訊息——它是AI行為的催化劑。想了解更多關於提示工程的內容，請參閱《提示工程：生成式AI的藝術精通》。

有效提示的組成

在AI互動的上下文中，尤其是在設計AI導師時，提示的組成對有效溝通至關重要。一個結構良好的提示應包括以下元素：

• 清晰度： 在提示中使用清晰簡潔的語言是必要的，以避免任何潛在的誤解。簡明的提示有助於AI更準確地處理你的請求，從而帶來更好的回應。
• 上下文： 在提示中提供上下文就像給AI一個參考框架。它有助於AI理解問題的前提或當前任務。沒有足夠的上下文，AI可能無法理解請求的細微差別，導致回應不那麼相關。
• 指令： 你的提示應明確說明你希望AI做什麼。無論是回答具體問題、創建內容還是解決問題，指令應該直接明確。
• 語調： 你的提示語調向AI發出你希望它以何種風格回應的信號。如果你需要正式的解釋，提示應該正式。如果你更喜歡對話式的回應，提示應反映出對話的語調。這有助於確保互動符合你的期望並感覺自然。

在設計提示時，請記住AI有效理解和回應的能力取決於你如何有效地傳達你的需求。通過密切關注這些元素，你可以創建出有意義且富有成效的互動，與你的AI導師進行深入交流。

好提示與壞提示的例子

讓我們以「什麼是股市」為例，來定義更有效的提示。

清晰度的例子

提示類型	提示
良好的提示	「解釋什麼是股票市場以及它是如何運作的，適合初學者投資者。」
AI的回應	「股票市場是一個公共市場，股票或公司所有權的股份在這裡買賣。它作為一個平台，讓投資者可以購買這些股份，希望其價值隨時間上升，從而能夠以利潤售出。市場受到供需、經濟指標和公司表現等多種因素的影響。」
不良提示	「告訴我關於股票和其他東西的事。」
AI的回應	「股票或股份代表對公司的部分所有權。‘其他東西’是一個非常廣泛的術語。你能否具體說明你需要關於股票或金融市場的哪些額外信息？」

上下文的例子

提示類型	提示
良好的提示	「作為一個有興趣開始投資的人，我想了解股票市場的基本原則及其在經濟中的角色。」
AI的回應	「股票市場對經濟至關重要，因為它為公司提供資本以換取股份。投資者購買這些股份，以參與公司的潛在利潤。健康的股票市場通常反映出健康的經濟，因為這意味著公司在增長，投資者也充滿信心。」
不良提示	「股票？」
AI的回應	「股票是代表公司所有權股份的金融工具。如果你想了解更多有關股票市場和股票投資的資訊，請提供更具體的問題或主題。」

指令的例子

提示類型	提示
良好的提示	「你能列出股票市場的主要功能並描述購買股票的過程嗎？」
AI的回應	「股票市場的主要功能是促進股票的買賣、提供價格發現的平台，以及為公司籌集資本的方式。當投資者購買股票時，他們需要開設一個經紀賬戶，存入資金，選擇希望購買的股票，並下達買入訂單，該訂單會以市場價格或設定價格執行。」
不良提示	「做股票市場。」
AI的回應	「看起來你是在尋求有關股票市場的信息，但請求不夠清楚。你是在尋找股票市場的描述、投資指導還是其他內容？請提供更多細節。」

語調的例子

提示類型	提示
良好的提示	「我對金融還很陌生，有點不知所措。你能給我一個友好的介紹，告訴我什麼是股票市場嗎？」
AI的回應	「當然可以！把股票市場想像成一個大型投資超市。公司在這裡出售它們的一部分，稱為股票，給那些想擁有該公司一部分的人。如果公司表現良好，你也會受益；如果不行，你的股份價值可能會下降。這就像一個金融冒險樂園，每個人都在努力買到通往下一個成功故事的票！」
不良提示	「股市噠噠噠？」
AI的回應	「看起來你是在幽默地提到股票市場的活動。‘運行’通常用來模仿機器的聲音，暗示市場以快速的節奏持續運作。如果你想了解更多關於股票市場運作的詳細解釋，請告訴我！」

提示的語言考量

提示不一定需要用英文。AI系統，尤其是像OpenAI這樣的先進系統，能夠理解並回應多種語言。然而，英語經常被用作提示的主要語言，因為它是許多AI模型主要訓練的語言，這有時使其成為最有效的溝通選擇。

儘管如此，如果AI平台支持，用母語進行提示是有益的。這可以促進更自然的互動，尤其在教育環境中，理解力至關重要。如果AI在你的語言上訓練得足夠，該語言的提示效果可能與英語相當，甚至更好。

個性化你的學習體驗

在教育領域，一刀切的方法並不適用。AI導師的一個主要優勢在於其根據個人偏好和需求定制學習體驗的能力。這種個性化遠超過簡單的內容適應——它涉及根據你的獨特學習風格定制AI導師的角色和互動方式。

找到你的完美教育配對

回想一下你學習新事物的時刻。也許是學習一種樂器、一款新遊戲或一門語言。在這過程中，你可能遇到了各種不同的導師，每個人都有自己的教學風格。有些可能更有條理和結構性，而另一些則更加隨意和對話式。思考哪種方法最能引起你的共鳴，以及為什麼。是耐心地引導你完成每一步的老師，還是讓你通過挑戰情境來學習的老師？

你偏好的學習風格是非常個人的。對於某些人來說，最好的老師不一定是那些擁有最多榮譽或最豐富知識的老師。相反，最好的老師是那些以符合你的特點和自然傾向的方式進行教學的老師。

AI驅動的個性化

我們的AI導師將這一概念提升到了新的高度。通過利用先進的算法和機器學習，它不僅能夠調整教學內容，還能調整教學方式。以下是個性化體現的一些例子：

• 自適應回應風格： 如果你喜歡詳細的解釋和徹底的分析，AI可以採用更具分析性和系統性的教學方法。反之，如果你偏好高層次的概述並享受自主探索，AI可以提供更簡潔的回應，鼓勵獨立思考和發現。
• 角色定制： 有些學習者對於具有嚴肅和專業風範的導師反應最佳，而另一些則可能更喜歡友善和親切的指導者。AI導師可以調整其語調和角色，為你創造一個舒適的學習氛圍。
• 互動學習： 也許互動式測驗和挑戰最能激發你的學習興趣。AI可以結合這些元素，使教育過程對你而言更加有趣和有效。

通過設計提示並塑造AI的互動方式，我們可以創造出感覺像是為你量身定制的學習體驗。最適合你的老師是能理解你的學習步伐、興趣和目標的老師——這些都是AI導師能夠精確模擬的品質。這是一種建立夥伴關係的過程，AI在其中補充你的學習旅程，幫助你以自然且個人化的方式實現全部潛能。

踏上學習冒險，讓學習體驗不僅符合你的教育需求，還符合你的個人本質。讓我們使學習成為一種感覺就像與好友對話一樣自然的體驗——每一次互動都讓你更接近掌握所選學科。

定義AI導師的風格

擬人化你的AI導師可以使學習過程更加有趣和易於理解。要創建一個角色，你應該考慮以下幾點：

• 語調： 決定AI應該採用正式的學術語調、隨意友善的方式，還是甚至是幽默的。
• 性格： 確定AI應該具備某種性格，例如支持性的教練、知識淵博的教授，或是同儕學習者。
• 互動性： 選擇AI應該有多互動。它是應該在學習課程中主導，還是僅在用戶提示時提供指導？

以下是三種不同教學風格的例子——分析性、鼓勵性和蘇格拉底式——以及示例提示和AI潛在的回應來說明每種風格。

分析性教學風格

示例提示

解釋Python中遞歸的概念，並進行詳細的逐步分析。

示例AI回應

Python中的遞歸指的是一個函數調用自身來解決可以分解為更小子問題的問題。以下是逐步分析：

1. 基本情況： 遞歸必須有一個基本情況來終止遞歸，防止無限循環。例如，計算一個數字的階乘時，當數字為0或1時，基本情況為階乘值為1。
2. 遞歸情況： 這是函數用較小或修改過的參數調用自身的地方。繼續以階乘為例，遞歸情況為當n>1時，n * factorial(n-1)。
3. 棧的展開： 每一次遞歸調用都會在呼叫棧中添加一層。當達到基本情況時，棧開始展開，依次解決每個呼叫並返回值，直到最初的呼叫被解決。

讓我們看一個簡單的Python階乘實現：

def factorial(n):
    if n in (0, 1):  # 基本情況
        return 1
    else:
        return n * factorial(n - 1)  # 遞歸情況

使用 factorial(5) 時，遞歸調用順序如下：

• factorial(5)
  • factorial(4)
    • factorial(3)
      • factorial(2)
        • factorial(1) # 達到基本情況，開始展開

鼓勵性教學風格

示例提示:

「我在理解Python中的列表推導式時遇到了困難。你能以鼓勵和安慰的方式幫助我嗎？」

示例AI回應:

當然可以，我在這裡幫助你！列表推導式一開始可能看起來有點棘手，但一旦掌握了它們，你會發現它們是創建列表的一種非常高效且優雅的方式。想像它們是一種將一個列表轉換為另一個列表的簡潔方法。讓我們一起來逐步解析，我相信你很快就能掌握這個概念。

比如說，你想創建一個平方數列表。傳統的循環方法可能是這樣的：

squares = []
for x in range(10):
    squares.append(x * x)

使用列表推導式，你可以一行完成這件事！

squares = [x * x for x in range(10)]

是不是很棒？你一定能做到的！繼續練習，很快你就能像專家一樣編寫列表推導式。

蘇格拉底式教學風格

示例提示:

以蘇格拉底式方法引導我通過Python中查找列表中最大值的過程。

示例AI回應:

讓我們一起探索。你認為在確定列表中的最大值時，第一步應該是什麼？

（如果學習者建議從列表的第一個值開始）

那是一個很好的開始。如果我們將第一個元素視為初始最大值，你會如何將其與列表中的其他元素進行比較，以找出真正的最大值？

（如果學習者建議使用循環進行比較）

正是如此。循環可以讓我們檢查每個元素。現在，假設我們遇到一個比當前最大值更大的值——我們應該如何處理這個新信息？

（如果學習者建議更新最大值）

沒錯。每當我們找到更大的值時更新最大值，我們就能確保在循環結束時，我們持有的是列表中的最高值。你能想出如何將這個邏輯轉換為Python代碼嗎？

通過設計符合所需教學風格的提示，你可以塑造AI的回應，提供符合學習者需求和偏好的個性化學習體驗。

提供LLM模型及其對AI導師質量的影響

為AI導師選擇合適的大型語言模型（LLM）是一個關鍵步驟，這直接影響輔導服務的質量。當開發者已經設計了初始版本的提示後，選擇合適的LLM是下一個關鍵決策。即使提示保持不變，這一選擇也能大大影響AI導師的效果。以下是提示開發者在選擇LLM時的主要考量：

規模與複雜性： 模型的規模通常與其理解和生成回應的能力相關。較大的模型可能提供更詳細和細緻的解釋，從而增強學習體驗。

功能強項： 不同的模型在語言理解和生成的不同方面表現出色。選擇與AI導師的教育重點相契合的模型非常重要，無論是複雜的技術主題還是更一般的對話學習。

學科專精： 一些LLM專為特定領域設計。旨在教授專業主題的AI導師可能會受益於在該特定領域有更強理解的LLM。

定制潛力： 允許開發者定制其行為的模型可以帶來更個性化和有效的AI導師。根據不同教學風格微調回應的能力是選擇過程中的一個關鍵因素。

以下表格提供了一些當前較為普及的標準模型的潛在優勢和理想使用案例的簡化概覽。然而，實際性能和適用性將取決於現實世界的測試和用戶反饋。

AI 模型	描述	優勢	適用於
ChatGPT	針對對話進行微調的 GPT-3 變體	– 一般免費 – 互動性和對話性強	互動學習，基礎到中級主題。
GPT-4	高級 GPT 模型，參數更多	– 深入的回應，細緻的理解	複雜的主題，高等教育。
Claude Instant	假設的模型，優化於速度	– 一般免費 – 快速回應	時間敏感的學習，快速互動。
Claude 2	假設的改進版 Claude	– 速度和深度的平衡	需要更快回應的一般學習。
Claude 3	假設的領域專精模型	– 在專業領域的深入知識	專業教育，職業培訓。
Gemini-Pro	假設的專業級 AI 模型	– 複雜問題解決，高準確度	高級研究，專業發展。

測試你的AI導師和改進

開發AI導師是一個迭代的過程，這依賴於用戶測試的有效性和持續的改進。開發者不僅應依賴理論模型和算法，還應親自與AI導師互動或促進與潛在用戶的測試。這種實踐性方法對於收集真實反饋，從而指導AI導師性能的有意義改進至關重要。

用戶測試與反饋的力量

直接體驗： 沉浸在AI導師的體驗中，可以獲得其功能和用戶界面的寶貴見解。這讓開發者能夠識別任何技術問題，如回應精確性和延遲，並評估互動的直觀性。

潛在的用戶試驗： 與目標受眾中的一部分分享AI導師，是了解用戶體驗的重要步驟。它揭示了用戶如何與AI互動、他們面臨的挑戰以及他們認為最有益的功能。

數據驅動的見解： 用戶反饋是信息的寶庫，可以突顯AI導師的優點和需要改進的地方。這些數據應系統地收集，以指導迭代過程。

質性觀察： 除了量化數據，關於AI導師的教學風格、語調和參與程度的主觀反饋，對於使AI更具親和力和有效性至關重要。

結論

建立你自己的AI導師是邁向個性化知識成長的一個賦權步驟。通過理解提示工程和個性化的重要性，你可以創建一個適應你的學習工具，而不是反過來。終身學習的旅程現在比以往任何時候都更加易於獲取和個人化。

Introduction

In the rapidly evolving field of artificial intelligence, prompt engineering has emerged as a crucial area of focus, shaping how we communicate with AI systems. Traditional prompting techniques often struggle with limitations, such as fact hallucination and a lack of dynamic interaction with external information. This is where ReAct Prompting comes into play. By combining reasoning and action, ReAct Prompting enhances the way AI understands and responds to prompts, allowing for more accurate and context-aware interactions. In this article, we will explore the significance of ReAct Prompting, its applications, and its potential impact on AI interactions. We will also outline the steps for implementing this innovative technique to provide a clearing insight to this prompting techniques.

â€

What is Prompt Engineering?

Prompt engineering is the practice of designing and refining input prompts to elicit desired responses from AI models. This process involves crafting questions, statements, or commands that guide the AI’s output towards relevant, accurate, and useful information. As AI models become more sophisticated, the importance of effective prompt engineering has grown, enabling more precise interactions and improved outcomes.

â€

What is ReAct Prompting?

ReAct Prompting, short for Reasoning and Acting Prompting, is an innovative approach in the field of artificial intelligence that enhances how large language models (LLMs) interact with tasks requiring reasoning and decision-making. This technique allows AI systems to not only generate responses based on prompts but also to engage in a dynamic process of reasoning and action, making it particularly effective for complex tasks.

Key Components of ReAct Prompting

1. Reasoning: ReAct prompting encourages the AI to articulate its thought process. This involves generating reasoning traces that help the model understand the task at hand, track its progress, and adjust its approach as needed. By verbalizing its reasoning, the AI can better manage action plans and handle exceptions that may arise during task execution.
2. Action: In addition to reasoning, ReAct prompting incorporates specific actions that the AI can take based on its reasoning. This may involve querying external knowledge bases, performing searches, or interacting with APIs to gather relevant information. The action step is crucial for retrieving data that informs the AI’s responses, thereby reducing the likelihood of errors like hallucination or error propagation, and improving the accuracy of the output.
3. Observation: After taking action, the AI observes the results of its actions, which informs its next steps. This feedback loop allows the model to refine its reasoning and adjust its actions based on the information it retrieves, leading to more reliable outcomes.

â€

Examples of ReAct

Building on the insights we’ve gained about the ReAct (Reason + Act) approach, let’s now explore some potential applications that were highlighted in the conference paper (Yao et al., 2023):

Hotspot QA

ReAct prompting plays a crucial role in enhancing the performance of AI systems in Hotspot QA, a question-answering benchmark that tests the ability of models to retrieve and synthesize information from various sources. Here’s how ReAct prompting is applied in the example:

In this case, the question is “How many rooms are in the hotel that is home to the Cirque du Soleil show Mystere?”. The AI assistant goes through a series of steps to logically deduce the answer:

1. It first tries to search for information about the “Cirque du Soleil show Mystere” to find the hotel it is located in.
2. When that doesn’t yield the desired information, it then refines the query and tries to search for the hotel name directly (“Mystere (Cirque du Soleil)”).
3. Finally, it is able to determine that the hotel is the “Treasure Island Hotel and Casino” and that it has 2,884 rooms and 220 suites.
4. The assistant then concludes that with an additional 220 suites, the total number of rooms is 3,104.

This step-by-step reasoning process, where the AI assistant prompts itself to take various actions and arrive at the final answer. It also allows the model to dynamically adjust its reasoning based on the information it retrieves, leading to a more reliable and up-to-date answer in the end.

â€

Decision Making Task

In decision-making tasks, ReAct prompting empowers AI models to evaluate multiple scenarios and outcomes before arriving at a conclusion. For example, in the image, it explicitly incorporates multiple reasoning steps:

1. The agent first thinks about where a pepper shaker is likely to be located, considering the objects in the room.
2. The agent then goes to the cabinet, drawer, and countertop to search for the pepper shaker.
3. Once the agent finds the pepper shaker on the countertop 3, it takes the shaker.
4. The agent opens the drawer and puts the pepper shaker inside.

Such step-by-step reasoning and action process is the essence of the “ReAct” technique. The agent is not just providing a single response, but is actively thinking through the problem, taking actions, and updating its understanding to ultimately complete the task. This example showcases how “ReAct” can be effectively utilized in decision-making scenarios, where the agent needs to reason about the situation, explore the environment, and take appropriate actions to arrive at the desired solution.

â€