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