前面我們分享了Basic Reflection這種偏重反思的AI Agent設計模式，在面對復雜的問題時，就需要更強大的Self-discover設計模式來進行。這篇文章，作者的分享一定不能錯過。

在上篇文章《AI大模型實戰篇：Basic Reflection，AI Agent的左右互搏之術》中，風叔結合原理和具體源代碼，詳細介紹了第一種偏重反思的AI Agent設計模式，即Basic Reflection。

Basic Reflection 的思路非常樸素，使用成本較低，但是在實際應用中，Basic Reflection面對一些比較復雜的問題時，需要Generator具備更強大的推理能力。

在這篇文章中，沿著“更強大的推理能力”這條優化路線，風叔將介紹Self-discover設計模式。這個設計模式非常有意思，相信看到最后，大家會發現令人驚奇的結果。

一、Self Discover的概念

Self-Discover 是由Google的研究人員提出的一種AI Agent框架，可實現自動發現和構建推理結構，以解決各種推理任務。這種方法的核心是一個自發現過程，它允許大型語言模型在沒有明確標簽的情況下，自主地從多個原子推理模塊（如批判性思維和逐步思考）中選擇，并將其組合成一個推理結構。

Self-Discover框架包含兩個主要階段，自發現特定任務的推理結構、應用推理結構解決問題。如下圖所示：

階段一：自發現特定任務的推理結構

主要包含三個主要動作：選擇（SELECT）、適應（ADAPT）和實施（IMPLEMENT）。

選擇：在這個階段，模型從一組原子推理模塊（例如“批判性思維”和“逐步思考”）中選擇對于解決特定任務有用的模塊。模型通過一個元提示來引導選擇過程，這個元提示結合了任務示例和原子模塊描述。選擇過程的目標是確定哪些推理模塊對于解決任務是有助的。

適應：一旦選定了相關的推理模塊，下一步是調整這些模塊的描述使其更適合當前任務。這個過程將一般性的推理模塊描述，轉化為更具體的任務相關描述。例如對于算術問題，“分解問題”的模塊可能被調整為“按順序計算每個算術操作”。同樣，這個過程使用元提示和模型來生成適應任務的推理模塊描述。

實施：在適應了推理模塊之后，Self-Discover框架將這些適應后的推理模塊描述轉化為一個結構化的可執行計劃。這個計劃以鍵值對的形式呈現，類似于JSON，以便于模型理解和執行。這個過程不僅包括元提示，還包括一個人類編寫的推理結構示例，幫助模型更好地將自然語言轉化為結構化的推理計劃。

階段二：應用推理結構

完成階段一之后，模型將擁有一個專門為當前任務定制的推理結構。在解決問題的實例時，模型只需遵循這個結構，逐步填充JSON中的值，直到得出最終答案。

二、Self Discover的實現過程

下面，風叔通過實際的源碼，詳細介紹Self Discover模式的實現方法，具體的源代碼地址可以在文章結尾處獲取。在手機端閱讀源碼的體驗不太好，建議大家在PC端打開。

第一步 定義Select、Adapt和Implement

第一步要做的事情，是前面所講的階段一，定義好select、adapt和implement這三個過程。

首先，定義select。給Select的prompt是，“對于給定的任務，找出最相關的reasoning module，即確定通過什么方法來解決任務”

然后，定義adapt。給Adapt的prompt是，“在不需要給出完整解決方案的情況下，讓大模型調整上一步得到的reasoning module，以更好地適應任務?！?/p>

接下來，定義implement。給Implement的prompt是，“在不需要給出完整解決方案的情況下，利用上一步得到的優化后的reasoning module，創建一個可執行的推理結構。”

第二步 執行推理結構

第二步要做的事情，就是前面所講的階段二，應用這個推理結構獲得最終答案

第三步 提出問題，開始推理

第三步就是將這個過程進行推理實現，如下面的代碼所示，這一步非常關鍵，大家可以逐條仔細看：

這段代碼非常簡單。首先，我們提出了39種reasoning modules，即推理的具體方法，大家也可以自己提煉出一些推理方法，通過prompt告知給Agent。

然后，我們提出一個具體的推理任務：“Lisa 有 10 個蘋果。她給了朋友 3 個蘋果，然后從商店買了 5 個蘋果。Lisa 現在有多少個蘋果？”

然后大模型會自動選出最合適的推理方法。實踐中發現，大模型選擇了方法9和10。

接下來，針對目標任務，大模型自動優化推理方法的描述。

然后，大模型自動給出了具體的推理結構。

至此，Self Discover的原理和流程就介紹完了。

風叔在嘗試這個case之前，完全沒想到大模型還能在給定的推理方法中，自主選擇最合適特定的問題的推理方法，并完成推理結構和推理語言的輸出，這項能力確實是讓風叔眼前一亮。通過這種推理方式，未來Agent就能解決更加多樣化的問題，因為任何類型的問題，總能有其對應的推理和思考方式。

大家可以關注公眾號【風叔云】，回復關鍵詞【SD源碼】，獲取self discover設計模式的完整源代碼，然后自己嘗試一些更復雜的提問，看看大模型的回答效果。

總結

整個Self-Discover的關鍵在于，它允許模型在沒有人類干預的情況下，自主地生成適合特定任務的推理結構。這樣不僅提高了模型的推理能力，而且提高了推理過程的可解釋性。通過這種方式，模型能夠更有效地處理復雜和多樣化的任務。

本篇文章提到的例子，雖然結構很清晰，但不足之處在于沒有使用Tools。對于需要使用搜索工具、數學工具等外部工具的場景，我們也可以讓大模型在adapt環節給出適合解決目標任務的外部工具，然后在后續過程中執行。

在下一篇文章中，風叔將介紹另一種優化Basic Reflection的方式，增加強化學習，Reflexion。