到目前为止，我们掌握的技巧，无论是“角色扮演”、“举一反三”还是“思维链”，都还停留在“与AI对话”的层面。我们像个循循善诱的导师，引导着AI这个聪明的学生。但是，如果想让AI真正成为一个能独当一面的“打工人”，我们得给它配上工具，甚至让它自己学会使用工具。

今天，我们就来聊点硬核的，两个足以改变游戏规则的高级技巧：ReAct 和 Self-Consistency。这不再是念几句咒语，而是开始搭建真正的“魔法阵”。

ReAct：给AI一双手，让它自己去探索

请
我们之前的AI，像一个被困在瓶子里的精灵，它知道很多事，但它的知识是静态的，截止于它训练完成的那一刻。你问它今天天气如何，它只能真诚地告诉你：“对不起，我无法获取实时信息。”

ReAct（Reasoning and Acting） 框架，就是打破这个瓶子的魔法。它赋予了AI“思考”和“行动”的能力。

• Reasoning（思考）： AI根据你的问题，分析自己需要什么信息，以及如何获取这些信息。
• Acting（行动）： AI调用外部工具（比如搜索引擎、计算器、代码解释器）来执行它的计划。

这个过程是循环的，AI会根据工具返回的结果，不断调整自己的思考，直到问题解决。这就像我们写代码，遇到问题，查资料，写几行试试，再查资料，再修改，最终完成功能。

我画了张图，来展示这个“思考-行动”的循环过程：

你看，AI不再是一口报出答案，而是像一个真正的智能助理在工作：

1. 思考： 用户问天气，我需要实时数据，得用搜索工具。
2. 行动： 调用search("北京天气")。
3. 观察： 工具告诉我“28°C，晴”。
4. 再思考： 28°C这个信息足够回答问题了，而且这个温度适合穿短袖。
5. 再行动： 形成最终答案，回复用户。

有了ReAct，AI就从一个“博学的书呆子”，变成了一个能接入互联网、能使用计算器、甚至能帮你执行代码的“超级助理”。现在很多大模型内置的插件（Plugins）和工具调用（Tool Calling）功能，其核心思想都源于ReAct。

Self-Consistency：让AI“少数服从多数”

ReAct解决了AI信息源的问题，但没解决AI“一本正经地胡说八道”的问题。尤其是在复杂的逻辑和计算上，即使有思维链，AI也可能因为某个环节的微小错误，导致整个结果崩盘。

Self-Consistency（自我一致性），就是解决这个问题的大杀器。它的想法简单粗暴，但极其有效：

同一个问题，我问你好几遍。你每次的解题路径可能不一样，但如果大多数路径都指向了同一个答案，那这个答案大概率就是对的。

这不就是咱们考试时，用不同方法验算同一道题吗？

举个例子，你问AI：“一个班有25个学生，老师想把他们分成5人一组，能分几组？”

• 第一次回答（用思维链）： 25个学生，每组5人，所以是 25 / 5 = 5组。
• 第二次回答（换个角度）： 我可以模拟一下，第一组5人，还剩20人；第二组5人，还剩15人…第五组5人，正好分完。所以是5组。
• 第三次回答（可能跑偏了）： 25和5都是奇数，让我想想…（然后开始胡说八道），最后可能得出个错误答案6组。

通过三次提问，你得到了 [5, 5, 6] 三个答案。根据“少数服从多数”的原则，你采纳了“5组”这个最“一致”的答案。

Self-Consistency极大地提高了AI在数学、逻辑推理、代码生成等任务上的准确率。它利用了模型的“随机性”，从多个不同的“思维路径”中，筛选出最可靠的那一个。这是一种用计算量换准确率的暴力美学，但效果是真的好。

总结

ReAct和Self-Consistency，代表了Prompt工程的更高阶玩法。它们的核心，不再是“如何更好地提问”，而是“如何设计一个流程，让AI自己去解决问题”。

• ReAct： 打破信息孤岛，让AI拥有手和脚。
• Self-Consistency： 用“民主投票”的方式，对抗AI的随机性谬误。

掌握了这些，你就从一个“AI使用者”，晋升为了一个“AI工作流设计师”。

当然，AI的世界日新月异，新的技术层出不穷。但万变不离其宗，我们与AI沟通的本质，依然是理解与被理解的艺术。

下一篇，也是本系列的最后一篇，我们来聊点轻松的，聊聊Prompt之外的思考，以及作为一个老程序员，我对这个“人机共生”时代的期待与遐想。