回答复杂的自然语言问题通常需要多步推理并整合外部信息。目前已有若干系统将知识检索与大型语言模型（LLM）相结合，以应对此类问题。然而，这些系统仍存在多种失效情形，且由于与外部知识的交互过程不可微分，我们无法直接通过端到端训练来修复这些问题。为解决上述缺陷，我们提出了一种类似ReAct风格的LLM智能体，具备基于外部知识进行推理与行动的能力。进一步地，我们采用一种类ReST的方法，通过在历史轨迹上迭代训练，结合渐增批次的强化学习与人工智能反馈，实现智能体的持续自我优化与自我蒸馏。从一个提示引导的大型模型出发，仅经过两次算法迭代，即可生成一个微调后的小型模型，在复杂组合型问答基准测试中达到与原模型相当的性能，同时参数量减少两个数量级。