|
|
@@ -0,0 +1,38 @@
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+ ReAct 和 Plan-and-Execute 是 LangGraph 中两种核心的 Agent 设计模式，本质区别在于决策方式：
|
|
|
+ ReAct 是"走一步看一步"，Agent 在 Think → Act → Observe 的循环中每一步只基于当前状态决定下一步，没有全局规划；
|
|
|
+ Plan-and-Execute 则是"先看地图再走路"，先由 Planner 把大任务拆成有序步骤列表，再由 Executor 一次执行一步，最后由 Replanner 检查进度并决定继续还是结束，过程中还可以修改计划。
|
|
|
+
|
|
|
+ 选型标准：如果用户的问题是"单步查询"，用 ReAct；如果用户的需求是"做一个完整的方案"，用 Plan-and-Execute。
|
|
|
+
|
|
|
+ 具体到我们公司的业务，我举两个真实场景：
|
|
|
+ 我们是一家母婴早教行业的初创公司，核心产品是一个早教小程序。
|
|
|
+
|
|
|
+ 场景一（ReAct + RAG）：育儿知识问答。
|
|
|
+ 宝妈用户问："宝宝 6 个月，最近晚上总哭闹，我们试了白噪音也没用，有没有别的办法？"
|
|
|
+ 这个场景可以用ReAct流程回答——因为育儿建议涉及婴儿健康和安全，答案必须有专业依据。所以我们的架构是 ReAct 调度 RAG：RAG
|
|
|
+ 作为知识底座，对接专业的早教知识库，保证答案准确专业；
|
|
|
+ ReAct 作为调度大脑，负责判断用户意图——用户说"试了白噪音没用"，Agent就需要思考不能直接推白噪音，可能需要先追问宝宝的具体症状（长牙？分离焦虑？），再根据用户反馈精确检索知识库，最终给出有专业依据的建议。这种场景用户意图不确定、可能需要多轮澄清、且答案必须基于专业资料，所以 ReAct + RAG 组合是最合适的。
|
|
|
+
|
|
|
+ 场景二（Plan-and-Execute）：科学早教方案自动生成。
|
|
|
+ 用户购买了年卡后，系统需要为 TA 的宝宝自动生成一个从 6 月龄到 12月龄的每日早教推送方案。这个方案必须覆盖我们平台的 8
|
|
|
+ 大场景，并且要保证语言、社交、认知、大动作、精细动作等多个维度的全面考虑和规划，并且需要分布执行。
|
|
|
+ 所以这个需求用 Plan-and-Execute 最合适：Planner 拆成有依赖的步骤：
|
|
|
+ ① 从科学量表提取 6 月龄发育目标 →
|
|
|
+ ② 为 8 大场景分配内容比例 →
|
|
|
+ ③ 按周编排日程 →
|
|
|
+ ④ 从内容库匹配素材 →
|
|
|
+ ⑤ Replanner 检查：各维度均衡吗？内容量够 6 个月吗？不够就回到步骤②调整重排。
|
|
|
+ 最后 Replanner 检查"各维调整方案重新排。
|
|
|
+ 这是一个需要多步骤、有依赖关系、需要全局视野的复杂任务——如果让 ReAct走一步看一步地做，很容易出现"语言类内容推太多、大动作训练全漏了"的偏科问题。
|
|
|
+
|
|
|
+ 总之，ReAct 适合处理用户的单次问答（问什么查什么、想一步答一步），Plan-and-Execute 适合处理需要全局规划 + 多步执行 + 质量审核的复杂任务。
|
|
|
+ 在我们母婴早教行业，客服问答用 ReAct，搭配 RAG 保证专业性；个性化早教方案定制用Plan-and-Execute，保证科学性和均衡性。
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+
|
|
|
+
|
