本文深入探讨了Re-Act与Conversational-Chat两种会话模式的差异，并通过比较TFlow AI和Coze两款产品，揭示了Re-Act模式在B端业务场景中的优越性。文章不仅详细解析了目标、SOP、离散推理和环境交互等概念，还通过实例展示了不同模式下的Agent如何处理任务。对于希望了解Agent技术及其在商业应用中的实际效果的读者来说，这是一份宝贵的资料。
大家好，在研究Agent时，发现了不同的会话模式会带来对相同的问题带来不同的处理方式，所以研究了Re-Act 和 Conversational-Chat的区别，发现对于2B而言re-act才是更适配的模式。
对标了2款产品，TFlow AI 和 Coze
TFlow AI 是面向B端业务场景Agent平台，能按流程处理任务（SOP），围绕目标来进行离散推理。
允许LLM与环境进行交互，根据环境数据的反馈不断的调整行动计划/策略。
且整个sop的过程是由文本来控制，不需要用到Work Flow。
产品基本信息如下：
怎么理解目标、sop、离散推理、环境交互？我们以下列TFlow AI任务sop提示词为例：
如：在上述的任务sop的流程中，任务的执行需要多次与外界交互，借助外界补充的信息，持续推理完成任务的过程。比如查询知识库、引导用户提供姓名联系方式、调用留咨工具，将数据插入到已有的CRM中。
相同提示词下，在Coze和TFlow Ai的表现如下
oze和TFlow的比较
为什么会产生这么个差异昵？为什么coze不能做到昵？
核心的区别就一个：Agent的模式不同
会话模式代表了处理提示词的逻辑不同
助理模式下的Agent的逻辑处理如下：
助理模式Agent的思考逻辑
提示词确定后，对于用户的每次输入的处理步骤：
特点如下：
关键点：要做什么事情，取决于用户的指令
处理逻辑如下：
e-act处理逻辑
提示词确定后，对于用户的每次输入的处理步骤：
……中间过程可能重复N次，直到模拟完成任务
计划模拟完成，确定下一步的行动计划
特点：
为什么TFlow AI的Re-ACT模式，更适合B端对客场景
2B业务对客户特征：
特征1：
2B对业务有明确的思考流程和目标。参考以真人处理为思考流程
例1：常见退货换处理。
例2：汽车销售过程关于汽车参数的咨询
例3：saas软件产品答疑
Re-ACT模式能够基于流程去模拟真人思考处理问题的流程
特征2：
本文由 @易俊源 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。