在這個章節我們要繼續延續前一個已經完成的工具調用擴展，升級為「會自己決定跑幾輪」的 Agent，理解 Memory、規劃
其核心原則：Agent = 一個「Thought → Action → Observation」不斷循環、直到任務完成的迴圈

首先，Agent 的本質就是 ReAct 迴圈（Reasoning + Acting）：

- 閱讀剩餘部分 -

1. 丟10次骰子，恰好出現2次1點的概率

這是標準的二項分布問題，每次擲骰子出現1點的概率 p = 1/6。

公式：

$$
P(X=2)= C(10,2) \times (1/6)^2 \times (5/6)^8
$$

計算：

• C(10,2) = 45
• (1/6)² = 1/36
• (5/6)⁸ ≈ 0.23257

- 閱讀剩餘部分 -

如何讓模型能呼叫外部工具，並親手實作「模型選工具 → 執行 → 回輸 → 答覆」的完整迴圈 核心原則
Tool Calling 是 Agent 的底層——Agent 不過是「會自己決定何時呼叫哪個工具的迴圈」

模型本身只會產生文字，不會真的算數、查資料、打 API。Tool Calling 的機制是：

1. 把工具的 JSON Schema 連同問題一起送給模型
2. 模型回答「我要呼叫 calculator，參數 {expression:'...'}」
3. 而程式（不是模型）真的去執行該函式
4. 再把執行結果回輸給模型
5. 模型用結果產出最終自然語言答覆

- 閱讀剩餘部分 -

X 低熵，是否代表(糾纏的)Y 高熵？

不會，而且方向可能跟你想的相反。原因如下：

一、經典資訊論的糾纏＝關聯（相關性/互信息）

對兩個隨機變數 X、Y，關係式是：

$H(X,Y) = H(X) + H(Y) - I(X;Y)$

- 閱讀剩餘部分 -

熵的鏈式法則(Chain Rule)

$H(X)=H(X1​)+H(X2​∣X1​)+H(X3​∣X1​,X2​)$

如果一個決策可以拆成連續幾個階段,總熵 = 每個階段的熵之和(後面的階段用「條件熵」,也就是在前面已知的情況下,那個階段還剩多少不確定性)。

- 閱讀剩餘部分 -