用LangChain搭Agent做多步推理，为什么总卡在工具调用上？

我之前也遇到过一模一样的情况，后来发现多半是tool description里没把“输出格式”和“适用条件”写清楚，模型一拿到搜索结果就当成最终答案了。你可以试试在每次工具返回后强制加一个“思考下一步”的prompt节点，或者把max_iteration调低点，让它被迫收敛。另外，如果反复调同一个工具，可以检查下是不是ReAct模板里的“Observation”字段没吃进历史消息，导致它忘了自己已经查过。我现在习惯把工具调用结果先缓存成变量，再让Agent基于变量做判断，会稳很多。

我之前也遇到过一模一样的情况，搜索完直接输出原文多半是ReAct模板里对“最终回答”的触发条件写得太宽了，模型觉得拿到结果就能收工。建议你在prompt里明确加一条“必须完成所有工具调用后才能总结”，或者把每一步的思考过程强制要求输出。另外tool description别光写功能，最好带上输入输出示例，像“输入城市名，返回天气数据”，这样模型判断要不要继续调用的概率会准很多。死循环那个问题，可以给agent加个最大迭代次数的硬限制，然后在工具返回里加个“是否已解决”的字段，让模型自己判断要不要跳出，比单纯靠调参稳。你用的哪个模型？我感觉GPT-4对这类指令的遵从度比3.5好不少，换模型有时候比调prompt更省事。

这问题我太熟了，刚用LangChain那会儿几乎天天被tool call卡死。你那个“搜索完就直接输出原文”的毛病，八成是ReAct模板里对observation的格式约束太弱，模型把工具返回当成了最终答案。我后来是把prompt里“你必须基于工具结果进行下一步思考”这句话加粗加长，还塞了个few-shot示例，专门演示“拿到搜索结果后要再调用Python计算”的完整链路，效果立竿见影。

至于死循环，我怀疑是tool description里没写清楚“什么时候不该用这个工具”，比如搜索API的描述只说了“查资料”，模型就会在分析阶段也去搜一遍数据。建议给每个工具加个“当用户问题需要数值计算时，不要调用搜索”这种负向提示，能挡掉不少无效调用。另外可以试试在Agent里加个最大迭代次数，超了就强制让模型总结当前结果，至少不会无限转圈。

还有个坑你可能没注意到，就是工具返回的数据格式。如果搜索结果是那种超长网页摘要，模型注意力会被稀释，根本找不到后续推理的触发点。我一般会在工具内部做个预处理，只返回前500个字符加关键字段，让模型一眼扫到重点，后续走Python逻辑就顺多了。调参方面，temperature降到0.1以下也挺有用的，减少模型“自由发挥”不按模板走的情况。你先按这几个方向试试，应该能稳不少。

这坑我太熟了，刚入坑时几乎每个agent都卡在工具调用上。你那个“返回结果后不继续走”的问题，大概率不是ReAct模板写错，而是LangChain默认的agent执行逻辑里，对中间步骤的终止条件判断太粗暴——只要output里带了疑似最终答案的关键词就直接停，压根不管你的工具结果里有没有“搜索到但需进一步分析”这种暗示。我后来干脆不用它内置的AgentExecutor，自己写了个while循环控制，每轮拿到工具返回值后手动检查是否满足“需要调用下一个工具”的条件，才稳下来。另外tool description确实关键，别写“搜索一下”，要写清楚“当用户问题包含具体实体且需要实时信息时，调用此工具，返回结果含摘要和链接”，否则模型经常把它当万金油。死循环那个，我建议你在prompt里加一句“如果上一个工具结果已包含足够信息，必须直接给出结论而非再次调用相同工具”，同时把max_iterations调小到4，配合print日志看每步的thought和action，能定位到是模型在瞎绕还是tool反馈格式有问题。还有一个隐蔽点：如果你用的是OpenAI函数调用模式，别把多个工具塞进一个function里，拆成独立的函数描述，模型选择会更准。你可以试试把工具返回的结果先截断到前500字符，有时候是结果太长把后续指令挤出了上下文。

多步推理卡工具调用太常见了，我踩过一模一样的坑。你可以在prompt里明确加一句“拿到搜索结果后必须调用Python工具分析，禁止直接总结”，或者在AgentExecutor里设max_iterations和early_stopping来兜底。还有个隐蔽点：tool description要写清楚输入输出格式，模糊的话模型根本不知道怎么衔接。建议先把中间步骤的thought和action打出来看，多半是ReAct模板里Observation那段没接对。

我也踩过这个坑，后来发现不一定是ReAct模板的问题，更多是模型能力不够，小模型经常把工具返回内容当最终答案。可以试试在prompt里明确要求“拿到工具结果后必须判断是否还需要继续调用下一步”，再加个max_iterations限制防止死循环。另外tool description最好写清楚输入输出格式和适用场景，模糊描述特别容易让模型反复调同一个工具。

搜完就停多半是prompt里没写清下一步该干嘛，试试把工具描述加上“结果需交给Python再分析”这种引导。

我之前也踩过这个坑，后来发现八成是prompt里没明确告诉它“搜完必须走下一步”。建议在ReAct模板里加一句硬约束，比如“拿到搜索结果后禁止直接复述，必须调用python工具”，再配合stop sequence卡一下输出格式。另外tool description别写太笼统，把输入输出示例都塞进去，模型才知道啥时候该切工具。要是还循环，就加个最大迭代次数兜底，别让它自己瞎转。

ReAct模板太理想化了，试试把中间步骤拆成独立chain，别让agent自己瞎循环。

我也踩过这个坑，感觉问题多半不在参数上，而是在工具返回结果的处理方式上。搜索API返回的是一大段原文，Agent一看信息量够了，就懒得再往下推理，直接把它当结论吐出来了。你可以试试在工具输出外面包一层，比如加个“以上是搜索结果，接下来需要用Python做进一步分析”的提示，逼它进入下一步。反复调同一个工具的情况，一般是tool description写得太模糊，模型分不清当前该用哪个，就会来回横跳，把每个工具能做什么、什么时候用写清楚会好很多。ReAct模板里那个Thought环节很关键，很多人直接抄示例没改，其实得根据你的任务把中间步骤的格式约束死，比如强制它先输出“下一步调用哪个工具、为什么”。另外LangChain的AgentExecutor有max_iterations参数，可以兜底防止死循环，但治标不治本。真要多步稳定，我现在更倾向用LangGraph把流程拆成显式的节点，让模型只在该决策的地方决策，而不是全交给它自由发挥。

ReAct模板确实容易翻车，试试把工具返回结果截断再喂回去，不然Agent容易被长文本带偏。

我也踩过这坑，后来把max_iterations调小加上强制指定下一步工具才稳点。

我也卡过这坑，后来把工具描述写细点，再手动限制最大迭代次数就好多了。

我之前也踩过一模一样的坑，后来发现八成是tool description写得太模糊，模型压根分不清啥时候该调哪个。你试试把每个工具的输入输出格式和适用场景写清楚，再在prompt里明确要求“拿到搜索结果后必须调用Python工具”。另外max_iterations别设太大，配合early_stopping能少很多死循环。如果还不行，建议直接换LangGraph手动控制流程，比ReAct模板稳得多。

这个坑我踩过，大概率不是模型笨，而是ReAct那套格式在实际多步场景里太脆弱了。LangChain默认的prompt对“Observation之后必须继续Thought”这件事约束不够强，模型看到搜索结果一大段文本，很容易觉得任务已经完成就直接收尾了。你可以试试把中间步骤的scratchpad显式截断，比如只保留最近两轮的工具输出摘要，别把整个搜索结果原样塞回去，不然上下文一长模型就犯懒。反复调同一个工具通常是tool description写得太泛，模型分不清什么时候该切到Python工具，建议在描述里写清楚输入输出示例和适用边界。另外max_iterations别设太大，配合early_stopping_method，不然死循环会一直烧token。我现在更倾向用LangGraph把流程拆成节点，比纯靠ReAct prompt硬撑稳定得多，多步协作本来就该有显式的状态机。

我也被这个坑过，后来发现多半是agent的early_stopping没设对，第一次工具返回后它觉得任务完成了就停了。你可以试试把max_iterations调大，同时给每个tool的description写清楚“在什么条件下该调用下一步”，别只写功能。另外搜索工具返回太长的话，最好加个summary节点，不然模型容易被原文带偏，直接抄结果。

我之前也踩过这个坑，感觉问题往往不在LangChain本身，而是ReAct那套格式对模型来说太“松散”了。你描述的第一种情况，模型拿到搜索结果就直接当成最终答案，大概率是Observation和Final Answer的边界没约束住，模型分不清“我查到了”和“我答完了”。第二种反复调同一个工具，通常是tool description写得太宽泛，比如“搜索信息”这种，模型每次都觉得还没搜够，或者它压根没理解上一步返回的东西已经够用了。我的经验是，与其硬调prompt模板，不如把中间步骤拆成显式的状态机，比如搜完强制进入分析节点，别让模型自己决定要不要继续。另外可以试试换function calling模式的agent，比纯文本ReAct稳不少，至少工具参数和调用时机是结构化输出的。还有个偏方是在prompt里塞一个“已调用工具列表”，让模型看到自己已经搜过了，减少重复。不过说到底，多步推理对模型本身的规划能力要求挺高，小模型基本很难稳住，换大一点的会明显好转。

有没有更详细的教程推荐？

刚入门，这个对我帮助很大。

我前几天也踩过一模一样的坑，搜完就停基本是ReAct模板里Observation后面没把Agent往下一步推，模型以为任务结束了。反复调同一个工具的话，建议先看看tool description是不是太泛，模型分不清该用哪个，参数schema也尽量写细一点。还有个容易忽略的点是中间步骤的scratchpad要完整回传，不然模型看不到历史就容易原地打转。可以先把max_iterations调小一点，跑通两步再逐步放开，比一上来就全链路稳不少。