面灵AI→

Agent 架构选型二十问:从 LangGraph 到 ReAct 再到任务完成判定

时间
2026-11
来源
牛客网

《面试题目》

  1. LangChain 与 LangGraph 有什么区别,为什么选择它们?
  2. Agent 的核心模块和完整执行链路是什么?
  3. ReAct 是什么,决策、行动、观察如何循环?
  4. 自写 Agent 循环与现成框架怎样取舍?
  5. 从零设计一个具体业务 Agent,如何确定模块与工具?
  6. 为什么用 Agent 而不是 Workflow、规则或固定链路?
  7. 用户意图模糊或超出路由范围时,如何澄清与兜底?
  8. LangGraph 的状态、节点、条件边和子图怎样设计?
  9. 规划是模型做还是框架做,如何实现任务分解?
  10. Agent 怎样判断任务完成,何时停止循环或检索?
  11. ReAct、Plan-and-Execute、Replan 分别适合什么场景?
  12. 为什么要有 Agent Loop,运行时如何控制它?
  13. Human-in-the-Loop 的暂停、审批和恢复如何设计?
  14. 如何发现并打断死循环、重复调用和路径震荡?
  15. 现有 Coding Agent 或 Deep Research 的架构怎样工作?
  16. 如何划分任务粒度,避免过细拆分或全局计划失控?
  17. 模型与确定性代码之间如何划分职责?
  18. 长任务的目标、计划与进展如何防止漂移?
  19. Reflexion、自我反思和普通重试有什么区别?
  20. ToT、树搜索、LATS 相比 ReAct 有什么收益与代价?

《参考解析》

LangChain 与 LangGraph 的分工。 LangChain 提供的是「组件与调用链」:模型封装、提示模板、输出解析、检索器、工具接口,以及线性的 Chain 组合;它解决的是「把模型和外部能力接起来」。LangGraph 提供的是「有状态的图编排」:节点是有输入输出的函数,边可以是条件边,状态是贯穿全图的可变对象,支持循环、分支、暂停与恢复、子图嵌套;它解决的是「多步骤、可回退、需要人介入的流程」。选择依据是控制流形态:一次调用、线性流水线用 LangChain 足够;需要循环(ReAct)、条件分支、断点续跑、多 Agent 协作时才需要 LangGraph。两者不是替代关系,LangGraph 的节点内部经常复用 LangChain 的组件。

Agent 的核心模块。 一个可用的 Agent 至少包含六块:模型(决策与生成)、工具集(含 schema 与错误契约)、上下文管理(历史、检索、压缩)、执行器(工具调用、超时、重试、沙箱)、状态与记忆(任务状态、跨会话记忆)、可观测与评测(日志、trace、指标)。完整链路是:接收输入 → 装配系统提示与工具表 → 模型决策(直接回答或调用工具)→ 解析调用 → 执行工具并回填观察 → 判断继续或结束 → 产出结果并记录轨迹。工程上还要加上权限校验(能不能调这个工具)、成本控制(token 与轮次预算)与降级路径(模型不可用时怎么办)。

ReAct 的本质。 ReAct 是「推理 + 行动」交替的循环:模型先输出一段思考(当前知道什么、还缺什么),再选择一个动作(调用某个工具、参数是什么),环境执行后返回观察(工具结果),观察进入上下文,下一轮继续。关键点是决策依据来自观察而不是凭空推测,因此工具返回的质量与格式直接影响效果。它的局限也在这里:每一步都依赖上一步的观察,长任务容易走偏、上下文迅速膨胀、错误会被后续步骤放大。改进方向是加规划(先出计划再执行)、加反思(失败后总结再重试)、加验证(每步结果做校验)。

Agent 与 Workflow 的边界。 判断标准是「路径是否可枚举」。步骤固定、分支可枚举、验收标准明确的流程用 workflow:可控、可测、成本可预估、出错可定位。路径不可枚举、需要模型根据中间结果决定下一步(例如排查一个未知的线上问题、从一堆文档里找答案)才用 Agent。实际系统多是混合:外层用 workflow 保证流程与合规,内层在需要判断的节点上用 Agent。面试里被问「为什么用 Agent」,要能说出「不用 Agent 的方案是什么、差在哪」,例如规则覆盖不了的长尾占比、固定链路无法处理的异常分支。

意图模糊与路由兜底。 处理分三步:先澄清(把缺失的关键槽位列出来,一次性回问,而不是反复追问),再兜底(超出能力范围时明确说明能做什么、给出替代路径),最后记录(把未命中的输入沉淀成新场景的候选)。路由层要有「不确定」这个选项,而不是强行分到某一类;置信度低时走通用问答或转人工,比错误路由后一路执行到底要好。

LangGraph 的状态设计。 状态是整张图共享的数据结构,设计原则是「只放需要跨节点传递的东西」:任务目标、已完成的步骤、中间结论、待办、错误信息、用户身份与权限。节点应当是纯函数式的(读状态、返回状态增量),副作用集中在工具节点。条件边负责分支,判断可以是规则(字段是否为空)也可以是模型(分类),规则优先。子图用于封装可复用的子流程(例如「检索—验证—回答」),父子图之间用明确的输入输出契约通信。状态要可序列化,才能支持断点恢复与人工审批。

任务完成判定。 与前一篇面试里的结论一致:完成判定要分层,模型信号、状态机条件、预算耗尽、外部中断,每层都要有状态码。检索类任务还要有「检索充分性」判断:是否覆盖了必要的信息源、结果是否互相印证、是否还有未探索的分支。工程上给每类任务定义验收清单(字段齐否、格式对否、引用是否可追溯),把「完成」变成可检查的条件,而不是模型的自我声明。

Human-in-the-Loop 的暂停与恢复。 设计要点是「在哪里停、停多久、恢复用什么状态」。暂停点应放在不可逆操作之前(付款、删除、对外发送),暂停时把当前状态持久化并展示给审批人(做了什么、要做什么、影响范围),审批结果写回状态后从断点继续。恢复要幂等:同一次审批重复提交不能重复执行。超时策略要明确:审批超时是取消、降级还是转人工,不能无限挂起。

死循环与路径震荡。 检测手段有三类:计数(同一工具 + 同一参数在窗口内调用超过 N 次)、状态(连续多轮状态无变化或变化很小)、路径(在几个节点之间来回跳转的图模式)。发现后的处置是打断并降级:换策略、缩小范围、回问用户或直接报告失败。路径震荡常见于工具返回不稳定或目标定义模糊,治本要修工具与目标,治标才是加检测。

任务粒度与规划。 粒度过细会导致步骤爆炸、每步都要一次模型调用、上下文被中间结果塞满;过粗则一步失败全盘重来、无法定位。经验是「一步对应一个可验证的结果」,例如「找到候选文档」是一步,「读第三篇并抽取字段」是一步,而不是「研究这个问题」。规划由模型出草案、框架做校验(依赖是否成环、步骤是否可执行、预算是否够),执行中允许 replan,但 replan 要有次数上限并记录原因。

长任务防漂移。 三个机制:目标锚定(每轮把原始目标与验收标准重新注入,或放在固定的系统提示位置)、进展台账(已完成、待办、已知约束,每步更新,压缩时优先保留台账)、阶段校验(每完成一个阶段就对照验收清单检查一次,而不是等到最后)。此外要有预算与心跳:超时、超轮次就停下来汇报,而不是继续空转。

Reflexion 与重试的区别。 普通重试是原样再来一次,适合瞬时故障(网络抖动、限流);Reflexion 是失败后先让模型总结「为什么失败、下次改什么」,把反思写入记忆再重试,适合策略性错误(工具选错、思路不对)。代价是多一次模型调用、反思本身可能错、错误反思会固化。ToT/LATS 则是在候选路径上做搜索:ToT 展开多条思路并按评估剪枝,LATS 结合蒙特卡洛树搜索与外部反馈。收益是复杂推理的成功率提升,代价是 token 与延迟成倍增长,通常只用于离线或高价值低频任务。