7月9日OpenAI对全量Plus用户开放了Code Interpreter功能，其能力是能对文件（表格、文本、图片）进行自动化分析处理工作。Code Interpeter可以看作是OpenAI所研发的Agent方向中，对文件处理能力的展示。接下来从一个使用实例分析下它是如何工作的。
以下是一份原始表格，我们对其提出从指定行提取数据并进行表格编辑的操作要求。
以下是ChatGPT自己完整的思考、执行，并最后完成任务的过程。
过程可以总结为：
任务规划：理解用户自然语言并将其分拆为多个按顺序执行的子任务
执行任务（自动编写python代码并执行）->任务验证（查看代码输出或报错信息）->尝试新方案再次循环
重点关注的是执行任务的过程，可以看到ChatGPT使用了Reason and Act的方法，即写出自己的思考过程，表达其判断要执行的任务的reason是什么，然后再行动。
简单来说，ReAct 方法即推理+动作得到结果。灵感来自于作者对人类行为的一个洞察：在人类从事一项需要多个步骤的任务时，每一步之间往往会有一个推理过程。作者提出让 LLM 把内心独白“说”出来，然后再根据独白做相应的动作，模仿人类的推理过程，以提高 LLM 答案的准确性。这种方式在多种数据集上都取得了 SOTA 效果，并且更加可信，提升了 LLM 应对“胡说八道”的能力。
在任务验证时，进行“自我反思”。
一个为 AI Agents 提供动态记忆和自我反思能力，以提高推理能力的框架。该框架采用标准的强化学习设置，其中奖励模型提供简单的二元奖励（0/1），动作空间遵循 ReAct 中的设置，同时基于特定任务的行动空间，使用语言增强功能，以实现复杂的推理步骤。在每个动作 at 之后，AI Agents 会计算一个启发式值 ht，并根据自我反思的结果来选择是否重置环境以开始新的实验。
假设：每个人都能配备一个或多个AI助理，那么对推理算力的需求是无法想象的。