企业官网建设流程全解析

前言

在AI Agent的推理架构中，ReAct主打边思考边执行，而Self-Ask（自问式推理）则是以逐层拆解、追根溯源为核心的推理范式。

该范式由Google Research在论文《Measuring and Narrowing the Compositionality Gap in Language Models》中提出，主要用于解决大模型存在的组合性鸿沟：模型能够答对单个子问题，却难以整合多段信息完成复杂问题作答，同时有效缓解模型幻觉问题。

本文从核心定义、运行流程、架构拆解、代码实战、优缺点、范式对比、场景选型等维度，全面讲解 Self-Ask，帮你理清它与 ReAct 的区别及落地边界。

一、Self-Ask 是什么？

1. 名词释义

Self-Ask = Self（自我） + Ask（提问），直译自问自答，是一种显式子问题驱动的迭代推理范式。

核心思想：面对复杂问题，模型不直接输出答案，而是主动识别信息缺口、拆分出子问题，逐一查询验证后，再整合所有中间结果给出最终答案，整个推理过程透明可追溯。

2. 解决的核心痛点

原生大模型与 ReAct 范式在多跳问答、事实核查场景中存在明显缺陷：

• 直接推理容易产生幻觉，凭空编造中间结论；
• 缺乏标准化问题拆解逻辑，复杂问答容易偏离主题；
• 多步骤信息整合能力弱，无法突破组合性鸿沟。

Self-Ask 的核心价值：强制模型结构化拆分问题、显化推理链路，依靠外部工具获取客观事实，从源头降低幻觉，提升复杂问答的准确率。

3. 核心特征

• 优先拆分问题，主动识别信息缺口，而非直接执行动作；
• 遵循「主问题→子问题→中间答案→最终答案」的固定推理链路；
• 以外部工具获取事实为依据，不依赖模型主观推理；
• 侧重问题拆解，不做全局任务规划。

二、Self-Ask 完整运行闭环

Self-Ask 拥有高度标准化的执行流程，整体分为五步闭环：

1. 接收主问题

获取用户提出的复杂问题，作为推理起点。

2. 信息缺口判断

模型判断当前信息是否足以直接作答：

• 信息充足，直接输出最终答案，流程结束；
• 信息不足，生成精准的子问题，定位缺失内容。

3. 调用工具回答子问题

借助搜索、知识库等外部工具，查询子问题对应的客观答案。

4. 迭代追问

将子问题与对应答案补充至上下文，重复判断、提问、查询流程，不断补全信息，直到所有缺口被填满。

5. 整合输出最终答案

汇总全部子问题与中间结果，梳理逻辑后生成完整回答。

流程示意图

用户主问题 Q₀ ↓ 缺口判断 → 无法直接回答 ↓ 生成子问题 Q₁ → 工具执行 → 中间答案 A₁ ↓ 生成子问题 Q₂ → 工具执行 → 中间答案 A₂ ↓ （迭代追问，直到信息充足） ↓ 整合所有结果 → 输出最终答案

循环终止条件

1. 信息完整，可直接回答主问题；
2. 达到预设最大追问轮次，防止无限循环；
3. 子问题无法查询到有效结果，任务中断。

三、Self-Ask 核心组成模块

整套架构结构简单、耦合度低，主要由四大模块构成：

1. LLM 大模型：负责判断信息缺口、生成子问题、整合最终答案，是推理核心；
2. Tool 工具：以搜索、知识库查询为主，用于获取客观事实；
3. Parser 解析器：识别子问题与最终答案标记，标准化解析模型输出；
4. Memory 记忆模块：存储历史子问题与中间答案，保证上下文连贯。

四、极简可落地代码实战

代码无第三方框架依赖，兼容 OpenAI、Ollama 及各类私有化大模型接口。

fromopenaiimportOpenAI# 接口配置client=OpenAI(base_url="http://localhost:11434/v1",api_key="sk-dummy")# 定义搜索工具defsearch(query:str)->str:mock_data={"特斯拉2025年营收最高的业务是什么？":"电动汽车销售","特斯拉电动汽车业务的CEO是谁？":"埃隆·马斯克","埃隆·马斯克的毕业院校是哪所？":"宾夕法尼亚大学"}returnmock_data.get(query,"未查询到相关信息")# Self-Ask 提示词SELF_ASK_PROMPT=""" 你是Self-Ask推理助手，严格遵循以下规则： 1. 收到问题后，先判断能否直接回答； 2. 不能直接回答，必须生成1个精准子问题（以"Follow-up Question:"开头）； 3. 子问题聚焦1个信息缺口，不生成无关问题； 4. 信息充足时，以"Final Answer:"开头输出最终答案； 5. 禁止编造答案，必须依赖搜索结果。 示例： Q：法国首都的天气怎么样？ Follow-up Question：法国的首都是什么？ （工具返回：巴黎） Follow-up Question：巴黎今天的天气怎么样？ （工具返回：晴，25℃） Final Answer：法国首都是巴黎，今天天气晴，25℃。 """# Self-Ask 核心逻辑defself_ask_agent(user_query:str,max_round:int=5)->str:context=f"{SELF_ASK_PROMPT}\n用户问题：{user_query}"round_cnt=0whileround_cnt<max_round:round_cnt+=1print(f"\n【第{round_cnt}轮 - 缺口判断/生成子问题】")resp=client.chat.completions.create(model="qwen2.5",messages=[{"role":"user","content":context}])content=resp.choices[0].message.content.strip()print("模型输出：\n",content)# 输出最终答案，结束任务ifcontent.startswith("Final Answer:"):print("\n✅ 任务完成，输出最终答案")returncontent.replace("Final Answer:","").strip()# 无法生成有效子问题，终止任务ifnotcontent.startswith("Follow-up Question:"):return"无法生成有效子问题，任务终止"# 提取子问题并调用工具sub_question=content.replace("Follow-up Question:","").strip()print("\n【执行工具 - 搜索子问题】")search_result=search(sub_question)print("工具返回：",search_result)# 更新上下文，进入下一轮迭代context+=f"\n子问题：{sub_question}\n工具结果：{search_result}\n请继续分析。"return"达到最大追问轮次，任务终止"# 测试运行if__name__=="__main__":result=self_ask_agent("特斯拉2025年营收最高的业务，其CEO的毕业院校是哪所？")print("\n最终结果：",result)

五、Self-Ask 核心优势

1. 大幅降低模型幻觉

固定「子问题 + 事实查询」的推理链路，中间结论均来自外部工具，而非模型主观编造，答案可信度更高。

2. 推理链路透明可溯源

每一轮的子问题、查询结果、推理过程完整留存，便于问题排查、调试与复盘。

3. 解决组合性推理难题

专门针对多跳嵌套问答设计，有效弥补大模型拆分复杂问题、整合多段信息能力不足的短板。

4. 实现成本低、易落地

依靠提示词工程即可实现，无需复杂调度模块，LLM 调用次数可预判，资源消耗可控。

六、Self-Ask 存在的短板

1. 应用场景局限性大

仅适配事实类问答场景，不适合创意生成、复杂工具操作、长流程自动化等任务。

2. 效果依赖模型拆解能力

小模型或能力较弱的模型容易生成冗余、无关的子问题，直接影响整体推理效果。

3. 容错率低，强依赖工具质量

子问题答案完全依靠搜索 / 知识库，一旦工具返回错误、过时信息，最终答案也会出错，缺少纠错机制。

4. 灵活性不足，无全局规划能力

流程固定死板，不支持分支判断、优先级调度、异常兜底，难以处理非结构化的复杂任务。

七、Self-Ask vs ReAct 范式对比

选型口诀：事实拆解用 Self-Ask，交互执行用 ReAct。

八、落地场景选型

✅ 适合使用 Self-Ask

• 多跳嵌套类问答、长链路事实查询；
• 内容核查、信息溯源、知识库问答系统；
• 行业调研、数据整理、资料检索类需求；
• 对答案真实性、可追溯性要求高的问答场景。

❌ 不适合使用 Self-Ask

• 自动化操作、接口调用、办公流程等工具类任务；
• 文案创作、脑洞生成、主观论述类内容创作；
• 多分支、多依赖的长流程业务；
• 复杂数学运算、代码调试、数据处理场景。

九、全文总结

1. Self-Ask 是以自问自答、逐层拆解为核心的推理范式，核心目标是解决大模型组合性推理缺陷与幻觉问题。。

2. 它的优势是推理链路清晰、答案可信度高、上手简单，是事实类问答场景的优选方案。

3. 受限于设计逻辑，该范式场景单一、灵活性差，无法胜任复杂执行类任务。

4. Self-Ask 与 ReAct 属于互补关系，可根据业务需求单独使用，也可在复杂场景下组合搭配。

掌握 Self-Ask 的原理与落地方式，能够进一步完善你对 AI Agent 推理体系的认知，也是问答类智能体开发与面试的重要知识点。

（注：博文是作者学习记录，文档部分内容可能由 AI 生成）