本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 基本推理代理程式
<a name="basic-reasoning-agents"></a>

基本推理代理程式是代理程式 AI 最簡單的形式，可執行邏輯推論或決策以回應查詢。它接受來自使用者或系統的輸入，並使用結構化提示處理查詢和產生回應。

此模式適用於需要根據指定內容進行單一步驟推理、分類或摘要的任務。它不使用記憶體、工具或狀態管理，這使得它在大型工作流程中無狀態、輕量且高度組合。

## Architecture
<a name="architecture-basic-reasoning"></a>

下圖顯示基本推理代理程式的流程：

![\[基本推理代理程式。\]](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/agentic-ai-patterns/images/basic-reasoning-agents.png)


## Description
<a name="description-basic-reasoning"></a>

1. 接收輸入
   + 使用者、系統或上游代理程式提交查詢或指示。
   + 輸入會移交給代理程式 shell 或協同運作層。
   + 此步驟包含任何預先處理、提示範本和目標識別。

1. 叫用 LLM
   + 代理程式會將查詢轉換為結構化提示，並將其傳送至 LLM （例如，透過 Amazon Bedrock)。
   + LLM 會根據使用預先訓練知識和內容的提示產生回應。
   + 產生的輸出可能包括推理步驟 chain-of-thought)、最終答案或排名選項。

1. 傳回回應
   + 產生的輸出會轉送至代理程式的界面。
   + 這可能包括格式化、後製處理或 API 回應。

## 功能
<a name="capabilities-basic-reasoning"></a>
+ 支援自然語言或結構化輸入
+ 使用提示詞工程來引導行為
+ 無狀態且可擴展
+ 可以嵌入 UI、CLI、APIs 和管道

## 限制
<a name="limitations-basic-reasoning"></a>
+ 沒有記憶體或歷史意識
+ 與外部工具或資料來源沒有互動
+ 僅限於 LLM 在推論時知道的內容

## 常用案例
<a name="common-use-cases-basic-reasoning"></a>
+ 對話式問題和答案
+ 政策說明和摘要
+ 制定決策的指引
+ 輕量且自動化的聊天機器人流程
+ 分類、標記和評分

## 實作指引
<a name="implementation-guidance-basic-reasoning"></a>

您可以使用下列工具和服務來建立基本推理代理程式：
+ Amazon Bedrock for LLM 調用 (Anthropic、AI21、Meta)
+ Amazon API Gateway 或 AWS Lambda 將其公開為無狀態微服務
+ 儲存在參數存放區 AWS Secrets Manager或做為程式碼的提示範本

## 摘要
<a name="summary-basic-reasoning"></a>

基本推理代理程式的基礎在於其簡單結構。它具有核心功能，可將目標轉換為導致智慧輸出的推理路徑。此模式通常是進階模式的起點，例如以工具為基礎的代理程式，以及使用擷取擴增產生 (RAG) 的代理程式。它也是大型工作流程中可靠且模組化的元件。

### 代理程式 RAG
<a name="agent-rag"></a>

Retrieval-augmented generation (RAG) 是一種將資訊擷取與文字產生結合的技術，以建立準確且情境式的回應。RAG 可讓客服人員先擷取相關的外部資訊，再與 LLM 互動。它將代理程式的決策以up-to-date、事實或特定網域資訊為基礎，藉此擴展代理程式的有效記憶體和推理準確性。與僅依賴預先訓練權重的無LLMs 相反，RAG 具有外部知識搜尋層，可動態增強具有內容的提示。

## Architecture
<a name="architecture-rag"></a>

RAG 模式的邏輯如下圖所示：

![\[代理程式 RAG。\]](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/agentic-ai-patterns/images/agent-rag.png)


## Description
<a name="description-rag"></a>

1. 接收查詢
   + 使用者或上游系統向客服人員提交查詢或目標。
   + 代理程式 shell 接受請求並將其格式化為推理提示。

1. 搜尋外部來源
   + 代理程式會從查詢中識別概念和意圖。
   + 它會使用語意搜尋或關鍵字比對來查詢知識來源，例如向量存放區、資料庫或文件索引。
   + 擷取最相關的段落、文件或實體，以供下一個步驟使用。

1. 產生內容式回應
   + 代理程式會使用擷取的資訊增強提示，形成 LLM 的內容增強輸入。
   + LLM 使用生成推理 （例如chain-of-thought或反射鏈） 處理任何輸入，以產生準確的回應。

1. 傳回最終輸出
   + 代理程式會將輸出包裝在任何通訊標頭或必要的格式中，然後傳回給使用者或呼叫系統，以準備輸出。
   + （選用） 擷取的文件和 LLM 輸出可能會記錄、計分並存放在記憶體中，以供未來查詢使用。

## 功能
<a name="capabilities-rag"></a>
+ 即使在長尾或企業特定網域中也是事實基礎的輸出
+ 記憶體擴充功能，無需微調模型
+ 根據每個查詢和使用者狀態的動態內容
+ 完全相容於向量資料庫、語意索引和中繼資料篩選

## 常用案例
<a name="common-use-cases-rag"></a>
+ 企業知識助理
+ 法規合規機器人
+ 客戶支援 Copilot
+ 搜尋增強型聊天機器人
+ 開發人員文件代理程式

## 實作指引
<a name="implementation-guidance-rag"></a>

使用下列工具和服務來建立使用 RAG 的代理程式：
+ Amazon Bedrock for LLM 調用
+ 適用於文件或結構化資料搜尋的 Amazon Kendra、OpenSearch 或 Amazon Aurora
+ 文件儲存的 Amazon Simple Storage Service (Amazon S3)
+ AWS Lambda 協調搜尋、提示和 LLM 推論
+ 與代理程式的知識型整合 （使用記憶體外掛程式、語意擷取器或 Amazon Bedrock)

## 摘要
<a name="summary-rag"></a>

代理程式 RAG 將靜態模型推理連接到動態、真實世界的智慧。它可讓客服人員能夠查詢他們不知道的內容、從擷取的知識合成答案，並產生高度可稽核的可靠回應。

RAG 模式是建置智慧型代理程式的基礎，無需重新訓練即可擴展知識存取。它通常是涉及工具使用、規劃和長期記憶體的更複雜協同運作模式的前綴。