9. RedCoast-高可靠低成本的ReactCodeAgent智能协同框架

设计了一种ReactCodeAgent问题解决框架，通过Query-Rewrite-Facts-Plan-Thought-Code-Observation-Memory-Reflection-Answer流程，能够较好地解决大部分法律案件咨询问题。首先，对于输入的问题(Query)，会对问题进行分析补充(Rewrite)，包括实体识别、意图识别、子问题拆分。实体识别和意图识别是为了扩展说明问题信息、过滤工具函数、提示解题逻辑，子问题拆分可以帮助GLM更好地理解问题。接着，会让GLM列举出三种事实(Facts)，包括：现在掌握的事实、仍需进一步调用tool查找的事实、需要通过逻辑推理的事实。然后，根据问题和列举的事实，生成解题计划(Plan)，这里要求按照函数调用链的格式生成计划。
 
对后续代码生成和工具调用的准确性有很大提升。接着，基于现有的Plan，让LLM逐步执行，每一步的执行，都需要先解释当前的想(Thought)，再输出代(Code)，然后通过语法验证器执行代码，并打印输出结果(Observation)。如果计划已经执行完毕，就生成答案，否 则继续循环Thought&Code&Observation。随着循环次数的增加，GLM 会逐渐偏离计划和遗忘信息，因此，每过2步重新执行步骤Facts和Plan，进行校正(Reflection)。在这个过程中，有用的信息都会被记下来(Memory)。最后，要求GLM结合Query、Plan以及Memory，生成出完整解答问题、有用信息齐全且通顺的答案。
 
对于API计算、整合报告、民事诉讼状、案件摘要这四类较为复杂特殊的题目，仅依赖ReactCodeAgent无法较好地解决。因此，我们提出了多Agent协作的方案，针对这四类题目，分别设计相应的多Agent协作方法，结合不同Agent 返回的信息生成正确答案，进一步提高了解决问题的准确性和稳定性。