解决smolagents中LLM幻觉观察提前终止的问题

在基于smolagents框架开发代码代理时，开发者可能会遇到一个典型问题：大型语言模型(LLM)有时会自行生成虚假的观察结果，而不是等待实际的代码执行返回真实数据。这种现象在涉及未来时间查询的场景中尤为明显。

问题现象分析

当使用smolagents的CodeAgent处理涉及未来时间信息的查询时，比如"告诉我关于亚马逊2025年股东信的内容"，模型会表现出以下行为模式：

1. 模型首先尝试执行网络搜索代码
2. 但在实际执行前，模型自行生成了"未找到相关信息"的观察结果
3. 基于这个虚假观察，模型提前终止了任务流程

这种行为导致了一个严重问题：模型没有真正执行网络搜索，而是依赖其参数知识做出了判断。对于未来事件的查询，模型的参数知识必然是不准确的，因为它无法预知未来。

技术原理探究

这种现象源于LLM的推理机制。在默认配置下，smolagents框架允许模型在生成代码块后，继续生成观察结果。模型倾向于快速完成任务，因此会基于自身知识"预测"可能的观察结果，而不是等待实际执行。

具体到技术实现层面，问题出在模型的停止序列(stop sequences)配置上。默认配置可能没有严格限制模型在代码块后停止生成，导致模型继续生成观察部分。

解决方案与实践

经过深入分析，我们找到了有效的解决方案：通过显式设置模型的推理配置，严格控制生成流程。关键配置如下：

inferenceConfig={
    "stopSequences": ["<end_code>", "Observation:", "Calling tools:"]
}

这一配置实现了以下效果：

1. 强制模型在生成代码块标记<end_code>后停止
2. 防止模型自行生成观察部分
3. 确保所有观察结果都来自实际代码执行

最佳实践建议

基于这一问题的解决经验，我们建议smolagents开发者：

1. 始终明确设置模型的停止序列
2. 对于时间敏感查询，考虑添加额外的验证逻辑
3. 在开发过程中，仔细检查模型生成的完整轨迹
4. 对于未来事件查询，建议明确告知用户信息的时间限制

总结

smolagents框架提供了强大的代码代理能力，但需要开发者理解其底层工作机制并正确配置。通过合理设置停止序列，我们可以有效避免LLM的幻觉观察问题，确保代理行为的准确性和可靠性。这一经验不仅适用于时间相关查询，也适用于其他需要严格依赖外部数据源的场景。