关于Agent的几种范式

Forrit2026-03-28 10:18

文章目录

React范式

逻辑：ought → Action → Observation循环

python 复制代码 
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

# ----------------------
# 1. 定义状态
# ----------------------
class ReActState(TypedDict):
    question: str
    thought: str       # 思考
    action: str        # 动作
    observation: str   # 观察结果
    history: list

# ----------------------
# 2. 定义工具（搜索）
# ----------------------
def search_tool(query: str) -> str:
    # 模拟搜索
    return f"模拟搜索结果：{query} 的结果是北京今天25度"

# ----------------------
# 3. ReAct 核心节点
# ----------------------
llm = ChatOpenAI(model="gpt-3.5-turbo")

def think_node(state: ReActState):
    # LLM 思考下一步
    prompt = f"问题：{state['question']} 历史：{state['history']} 请思考下一步"
    state["thought"] = llm.invoke(prompt).content
    return state

def act_node(state: ReActState):
    # 执行动作：调用工具
    state["action"] = "搜索"
    state["observation"] = search_tool(state["question"])
    state["history"].append(f"执行：{state['action']} 结果：{state['observation']}")
    return state

def should_continue(state):
    # 判断是否结束
    if "25度" in state["observation"]:
        return END
    else:
        return "think"

# ----------------------
# 4. 构建 ReAct 图
# ----------------------
workflow = StateGraph(ReActState)
workflow.add_node("think", think_node)
workflow.add_node("act", act_node)

workflow.set_entry_point("think")
workflow.add_edge("think", "act")
workflow.add_conditional_edges("act", should_continue)

app = workflow.compile()

# ----------------------
# 运行 ReAct
# ----------------------
if __name__ == "__main__":
    result = app.invoke({
        "question": "北京今天气温多少",
        "history": []
    })
    print("最终结果：", result["observation"])

底层就是 LangGraph 图结构

但是LangChain / LangGraph 早就内置了标准的 ReAct 循环（Thought → Action → Observation），不需要自己手动定义 think /act/should_continue 节点

python 复制代码 
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent  # 🔥 官方内置ReAct循环
from langchain_core.tools import tool
from typing import Annotated, Literal
import os

os.environ["OPENAI_API_KEY"] = "sk-..."

# ----------------------
# 1. 定义工具（你只需要写这个）
# ----------------------
@tool
def search(query: str) -> str:
    """搜索信息"""
    return f"【搜索结果】{query}：北京今天气温25℃，晴"

@tool
def calculator(expr: str) -> str:
    """计算表达式"""
    return f"【计算结果】{expr} = {eval(expr)}"

tools = [search, calculator]

# ----------------------
# 2. 初始化LLM
# ----------------------
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# ----------------------
# 3. 🔥 直接创建ReAct Agent（内置完整Thought/Action/Observation循环）
# ----------------------
agent_executor = create_react_agent(
    model=llm,
    tools=tools,
    # 可选：自定义prompt、记忆、重试、状态
)

# ----------------------
# 4. 运行（自动执行ReAct循环）
# ----------------------
if __name__ == "__main__":
    response = agent_executor.invoke({
        "messages": [
            ("user", "北京今天多少度？再算25+17等于多少")
        ]
    })

    # 打印最终回答
    print("="*50)
    print("最终回答：", response["messages"][-1].content)

2.Plan-Execute范式

  • Plan-Execute 则是 "先生成计划、再顺序执行" 的两层结构
  • Plan--Execute 有很多变种：
    要不要 replan（重计划）？
    步骤并行还是串行？
    执行失败是否重试？
    官方不想定死一种结构，所以只给标准模板让你自己搭。
python 复制代码 
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from typing import TypedDict

# ----------------------
# 1. 状态
# ----------------------
class PlanExecuteState(TypedDict):
    question: str
    plan: list[str]   # 完整计划
    current_step: int
    result: str

# ----------------------
# 2. LLM
# ----------------------
llm = ChatOpenAI(model="gpt-3.5-turbo")

# ----------------------
# 3. Plan 节点（先拆完整计划）
# ----------------------
def plan_node(state: PlanExecuteState):
    # 一次性生成完整计划
    prompt = f"给任务：{state['question']}，生成步骤计划"
    plan = llm.invoke(prompt).content.split("\n")
    state["plan"] = plan
    state["current_step"] = 0
    return state

# ----------------------
# 4. Execute 节点（按计划执行）
# ----------------------
def execute_node(state: PlanExecuteState):
    step = state["plan"][state["current_step"]]
    # 模拟执行
    state["result"] = f"执行：{step} → 结果：北京25度"
    state["current_step"] += 1
    return state

# ----------------------
# 5. 判断：继续 or 结束
# ----------------------
def should_next(state):
    if state["current_step"] >= len(state["plan"]):
        return END
    else:
        return "execute"

# ----------------------
# 6. 构建 Plan-Execute 图
# ----------------------
workflow = StateGraph(PlanExecuteState)
workflow.add_node("plan", plan_node)
workflow.add_node("execute", execute_node)

workflow.set_entry_point("plan")
workflow.add_edge("plan", "execute")
workflow.add_conditional_edges("execute", should_next)

app = workflow.compile()

# ----------------------
# 运行
# ----------------------
if __name__ == "__main__":
    result = app.invoke({
        "question": "查询北京今日气温"
    })
    print("完整计划：", result["plan"])
    print("执行结果：", result["result"])

底层就是 LangGraph 图结构

LangGraph（主框架）：没有官方 create_plan_execute_agent() 这种一键封装，但官方有标准模板（你几乎不用改）

python 复制代码 
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END, START
from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool
from langchain_core.pydantic_v1 import BaseModel, Field
from typing import List, TypedDict

# ----------------------
# 1. 工具
# ----------------------
@tool
def search(query: str) -> str:
    return f"搜索：{query} → 北京25℃"

@tool
def calculator(expr: str) -> str:
    return f"计算：{expr} = {eval(expr)}"

tools = [search, calculator]
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# ----------------------
# 2. 状态与结构化输出（官方固定写法）
# ----------------------
class Plan(BaseModel):
    steps: List[str] = Field(description="计划步骤列表")

class PlanExecuteState(TypedDict):
    input: str
    plan: List[str]
    past_steps: List
    response: str

# ----------------------
# 3. Planner（LLM生成结构化计划）
# ----------------------
planner = (
    llm.with_structured_output(Plan)
)

def plan_step(state: PlanExecuteState):
    plan = planner.invoke(
        f"把任务拆成清晰步骤：{state['input']}"
    )
    return {"plan": plan.steps}

# ----------------------
# 4. Executor（复用内置ReAct执行单步）
# ----------------------
react_agent = create_react_agent(llm, tools)

def execute_step(state: PlanExecuteState):
    step = state["plan"][0]
    resp = react_agent.invoke({"messages": [("user", step)]})
    return {
        "plan": state["plan"][1:],
        "past_steps": [(step, resp["messages"][-1].content)],
    }

# ----------------------
# 5. 路由
# ----------------------
def should_continue(state: PlanExecuteState):
    if not state["plan"]:
        return END
    else:
        return "execute"

# ----------------------
# 6. 构建图（官方标准结构）
# ----------------------
workflow = StateGraph(PlanExecuteState)
workflow.add_node("plan", plan_step)
workflow.add_node("execute", execute_step)

workflow.add_edge(START, "plan")
workflow.add_edge("plan", "execute")
workflow.add_conditional_edges("execute", should_continue)

app = workflow.compile()

# ----------------------
# 运行
# ----------------------
if __name__ == "__main__":
    res = app.invoke({
        "input": "查北京天气，再算25+17，最后总结",
        "plan": [],
        "past_steps": [],
    })
    print("计划：", res["plan"])
    print("历史：", res["past_steps"])
相关推荐
圣光SG2 小时前
Tomcat 全面学习笔记
笔记·tomcat
2501_938313402 小时前
计算机网络学习笔记】初始网络之网络发展和OSI七层模型
笔记·学习·计算机网络
宵时待雨2 小时前
C++笔记归纳15：封装map & set
开发语言·数据结构·c++·笔记·算法
talen_hx2962 小时前
screw-core生成数据库表结构文档简单例子
数据库·笔记·学习
路弥行至3 小时前
将你的 Jetson 变为全功能公网服务器——使用Cloudflare_Tunnel方式实现
运维·服务器·经验分享·笔记·其他·jetson·入门教程
m0_651562523 小时前
0325学习笔记
笔记·学习
sonnet-10293 小时前
交换排序算法
java·c语言·开发语言·数据结构·笔记·算法·排序算法
Cathy Bryant3 小时前
拓扑学-毛球定理
笔记·线性代数·算法·矩阵·拓扑学·高等数学
小陈phd3 小时前
多模态大模型学习笔记（二十七）—— 核心技术篇④ | 让虚拟人“活起来”：口型驱动与面部动画全技术拆解
笔记·学习
热门推荐
012026年3月AI领域大事件：DeepSeek引领开源风暴02GitHub 镜像站点03围棋-html版本04班级宠物园部署指南05小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）06【计算机一级WPSoffice】小黑课堂题库软件下载安装教程（2026年3月最新版）07Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南08UV安装并设置国内源09OpenClaw 使用和管理 MCP 完全指南10中国象棋-html版本