ReAct et Reflexion dotent les agents IA d’une mémoire

Le cerveau logiciel Les LLM servent de cerveau aux systèmes d’agents autonomes. Cette fonction place le modèle de langage au centre du raisonnement de l’agent. Les agents peuvent décomposer une grande tâche en sous-objectifs plus faciles à gérer. Cette décomposition organise l’exécution autour d’étapes distinctes. Elle permet aussi de représenter une tâche complexe comme une suite de sous-objectifs. Le fonctionnement décrit ne repose donc pas uniquement sur une réponse unique du modèle. Il associe le LLM à une structure d’agent capable de traiter plusieurs étapes. La présentation originale détaille cette architecture dans l’article LLM Powered Autonomous Agents. Le rôle du LLM reste celui du cerveau de l’agent.

Mémoire et apprentissage Les agents apprennent de leurs actions passées grâce à l’autocritique et à l’autoréflexion. Leur mémoire à court terme utilise l’apprentissage en contexte. Cette mémoire permet à l’agent de conserver les éléments utiles pendant son traitement courant. La mémoire à long terme permet de retenir et de rappeler des informations sur des périodes étendues. Ces deux formes de mémoire répondent donc à des fonctions distinctes dans le système. L’apprentissage ne se limite pas à l’exécution immédiate d’une action. Il inclut aussi l’examen des actions précédentes. Cette combinaison associe conservation de l’information, rappel et réflexion sur les résultats obtenus par l’agent.

Les agents organisent le raisonnement

Des raisonnements multiples La chaîne de pensée, ou CoT, constitue une technique destinée à améliorer les performances d’un modèle sur des tâches complexes. Tree of Thoughts étend cette approche en explorant plusieurs possibilités de raisonnement. L’agent ne suit alors pas nécessairement une seule trajectoire de réflexion. Il peut examiner plusieurs branches avant de poursuivre son traitement. Cette exploration s’inscrit dans une architecture qui décompose déjà les tâches en sous-objectifs. CoT et Tree of Thoughts concernent donc la manière dont le modèle traite un problème. Le premier renforce le raisonnement sur les tâches complexes. Le second élargit cette logique en considérant plusieurs possibilités de raisonnement.

ReAct relie deux fonctions ReAct intègre le raisonnement et l’action dans le LLM en étendant l’espace des actions. Cette approche relie donc les étapes de réflexion aux actions disponibles pour l’agent. Selon Yao et al. 2023, ReAct fonctionne mieux que la référence fondée uniquement sur l’action. Cette affirmation attribuée distingue ReAct d’une approche Act-only. Le cadre présenté place ainsi le raisonnement et l’action dans un même fonctionnement. ReAct est également décrit dans l’article original consacré aux agents autonomes. Les détails associés à cette approche sont disponibles dans ReAct. L’extension de l’espace des actions constitue sa caractéristique principale dans cette approche.

Reflexion ajoute mémoire dynamique

Une réflexion persistante Reflexion fournit aux agents une mémoire dynamique et des capacités d’autoréflexion. Shinn et Labash 2023 attribuent à ce cadre la possibilité d’associer ces deux fonctions. La mémoire dynamique complète la mémoire à court terme fondée sur l’apprentissage en contexte. Elle complète aussi la mémoire à long terme, qui conserve et rappelle des informations sur des périodes étendues. L’autoréflexion relie les actions passées à l’apprentissage de l’agent. Le système peut ainsi examiner ses actions précédentes et utiliser cette réflexion dans son fonctionnement. Le cadre Reflexion est présenté dans l’article correspondant, avec la mémoire dynamique et l’autoréflexion comme éléments centraux.