5.1 复杂 Agentic 工作流设计

5.1 复杂 Agentic 工作流设计

单智能体怎么循环决策

本节在全册位置：把前四章零件拼成智能体。经典 ReAct 模式就是「思考-行动-观察」循环：模型决定调工具，工具结果回到状态，模型再思考，直到给出最终答案。循环用条件边表达。我们提醒：循环没有退出条件，等于给模型一张无限信用卡。

设计：思考-行动-观察环

一个 agent 节点调用模型并选择动作；条件边判断是否还要调工具（tools_condition）；若调，去 tool 节点，工具结果回状态，再回到 agent；否则去 END。状态用 MessagesState 累积消息。循环上限由另一个条件边防死循环。类比游戏：像回合制战斗，每回合模型选招，环境给反馈。退出条件要写在路由里，而不是靠模型自觉停。

from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

@tool
def search(q: str):
    """检索"""
    return "天气晴"

model = ChatOpenAI(model="gpt-4o-mini")
agent = create_react_agent(model, [search])
#    5.1 复杂 Agentic 工作流设计
res = agent.invoke({"messages": [("user", "今天天气?")]})
print(res["messages"][-1].content)
​

# 自己实现同样循环，看清结构
from langgraph.graph import StateGraph, START, END, MessagesState
from langgraph.prebuilt import ToolNode, tools_condition
def call_model(s: MessagesState):
    return {"messages": [model.invoke(s["messages"])]}
b = StateGraph(MessagesState)
b.add_node("agent", call_model)
b.add_node("tools", ToolNode([search]))
b.add_edge(START, "agent")
b.add_conditional_edges("agent", tools_condition)
b.add_edge("tools", "agent")
b.add_edge("agent", END)
# 这个显式版让你能在 agent 后插入计数守卫
​

案例：带上限的研究循环

背景：研究助手可能陷入「检索-还不够-再检索」死循环，账单失控。

操作：在 routes 里加步数计数，超过 N 强制去 END。

结果：成本可控，必有终局，用户总能拿到一版答案。

解读：循环必须配退出条件，这是图式编排的基本纪律，也是和纯 prompt 循环最大的工程差别。

变式：把上限设为动态（模型自报「还需几步」）做弹性收敛，但硬上限永远兜底。

工程清单

• ReAct 即思考-行动-观察循环，循环用条件边表达，tools_condition 检测是否还要调工具。

• 状态用 MessagesState 累积消息，退出由另一个条件边防死循环，硬上限永远兜底。

• 显式版比预置智能体多出的价值，是能在 agent 后插入计数守卫与审计节点。

常见误区

不设这个上限，模型陷入检索-还不够-再检索的死循环，成本与延迟双双失控；循环必须配退出条件，这是和纯 prompt 循环最大的工程差别。

循环守卫的两种实现

给循环套上限，最常用的是「计数 + 硬上限」，另一种是「软上限 + 硬兜底」的组合：

from typing import TypedDict, Annotated
import operator

class AgentState(MessagesState):
    loop_count: Annotated[int, operator.add]   # 计数通道必须用累加

def route(s):
    # 硬上限：超过 5 轮强制收尾
    if s["loop_count"] >= 5:
        return END
    # 软上限：模型自报「够了」就走 END，否则继续
    return "agent" if s["messages"][-1].tool_calls else END
​

# 软上限让模型自报所需轮数，写入状态
# 但硬上限永远兜底，防止自报不可靠
​

计数通道两个细节：必须 operator.add 累加，覆盖式计数在循环里永远停在 1；计数节点和路由节点分开写，条件边只做判断。软上限降低「差一步就好」的截断，硬上限保证成本边界，两者叠加是循环设计的标准形态。

create_react_agent 的内部结构

预置智能体不是魔法，它内部就是一张 ReAct 循环图。了解它的节点名才能正确扩展：

from langgraph.prebuilt import create_react_agent
agent = create_react_agent(model, tools, prompt="你是助手")

# 查看内部结构，确认节点名再扩展
print(agent.get_graph().draw_mermaid())
​

预置图的标准形态是 agent 节点（调模型）与 tools 节点（执行工具）互相回环，tools_condition 控制是否继续。想插入「计数守卫」或「审计节点」，就把它 add_node 进图，再调整条件边的路由目标。两个常见扩展：在 agent 之后加 step 计数节点；在 tools 之后加结果校验节点。改之前先打结构，别凭印象接边。

预置与显式的对照

选择建议：先跑通预置版，确认业务需要额外控制流时再转显式版。显式版不是重写预置版，而是保留同样的节点语义、放开结构定制，过渡成本主要在理解节点命名与 tools_condition 的行为。