核心要点
能讲清 Agent 的本质：用 LLM 在运行时动态决定下一步调用哪个工具，而非提前编排好步骤
能背出 ReAct 循环：思考（Thought）→ 选工具与入参（Action）→ 执行工具 → 观察结果（Observation）→ 回到思考，直到得出最终答案，整个循环由 AgentExecutor 驱动
能说清与 Chain 的区别：Chain 是预定义、确定性的固定流程（输入→步骤A→步骤B→输出），Agent 是运行时由模型决策的不确定流程
能点出 2026 的工程现状：复杂、多步、需要分支与状态的 Agent 推荐用 LangGraph 显式建图，旧的 AgentExecutor 适合简单单 Agent 场景
标准回答
Agent 是什么
Agent 是一个以 LLM 为决策核心的循环系统。它拿到用户目标后，不走固定脚本，而是每一步都让模型读取当前状态、判断「下一步该做什么」——是调用某个工具，还是已经可以给出最终答案。
ReAct 执行流程
主流 Agent 遵循 ReAct（Reasoning + Acting）范式，单步分为：
- Thought（思考）：模型推理当前要解决什么子问题。
- Action（行动）：模型输出要调用的工具名与结构化入参。
- Observation（观察）：执行工具，把返回结果喂回上下文。
这三步（Thought→Action→Observation）首尾相接构成一个循环，由 AgentExecutor 反复驱动：它负责解析模型输出、真正执行工具、把 Observation 拼回 prompt，并控制最大迭代次数、超时与异常处理，直到模型给出 Final Answer。
和 Chain 的区别
- Chain：开发者预先编排好的固定流程，步骤与顺序在编码时就确定，可重复、可预测，适合「提示→检索→改写→输出」这类确定性任务。
- Agent：流程在运行时由模型动态生成，调用几次工具、调用哪些、什么时候停，都不固定，灵活但更难预测和调试。
一句话：Chain 把控制流写死在代码里，Agent 把控制流交给 LLM。
2026 的选型现状
LangChain 早期的 initialize_agent / AgentExecutor 已不再是构建复杂 Agent 的首选。官方现在推荐用 LangGraph 把 Agent 建模成显式的状态图（节点 = 步骤，边 = 转移条件），天然支持分支、循环、人工介入（human-in-the-loop）、持久化与多 Agent 协作。简单的单 Agent、单工具场景仍可用 AgentExecutor，但生产级复杂编排几乎都迁到了 LangGraph。
常见误区
⚠️ 常见踩坑
把 Agent 当成「更高级的 Chain」而无脑替换——Agent 每步都要额外的 LLM 推理，延迟更高、成本更贵、行为更难预测，能用确定性 Chain 解决的固定流程就不该上 Agent；同时别再把 AgentExecutor 当成 2026 构建复杂 Agent 的标准答案，复杂编排应优先 LangGraph。
追问
追问 1：AgentExecutor 是怎么防止 Agent 陷入死循环的？
它内置了 max_iterations（最大迭代步数）和 max_execution_time（最大执行时长）两道闸：超过上限就强制停止并返回当前结果或报错。此外可设置 early_stopping_method 控制到限时是直接停还是再让模型生成一次收尾答案。生产中通常还会在工具层加幂等与重试上限，避免模型反复调用同一个失败工具。
追问 2：ReAct 和 Function Calling（工具调用）是什么关系？
ReAct 是一种「思考-行动」交替的推理范式，最早靠纯文本约定 Thought/Action 格式、再用正则解析。Function Calling 是模型原生支持的结构化工具调用能力，模型直接输出 JSON 形式的工具名与参数，无需脆弱的文本解析。2026 的实践是用 Function Calling 作为底层执行机制，ReAct 作为上层的循环编排思路，二者互补而非互斥。
追问 3：为什么 LangGraph 比 AgentExecutor 更适合复杂 Agent？
AgentExecutor 把控制流隐藏在一个固定的 while 循环里，分支、回退、并行、人工审批都很难表达。LangGraph 把流程显式建成有向图：节点是计算步骤，边是带条件的状态转移，可以画出循环和分叉，支持检查点持久化（崩溃可恢复）、中断后等人工输入再继续、以及多个 Agent 作为子图协作。可控性、可观测性和可恢复性都远强于黑盒的 AgentExecutor。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习