用LangChain搭了个Agent，但工具调用老是不按预期顺序执行，怎么破？

说实话这问题我太有感触了，ReAct那套本质上是让模型自己写行动计划，但一旦工具间有数据依赖，模型光靠推理很难稳定地记住“上一步的输出要喂给下一步”，尤其是中间结果一长或者历史对话一多，注意力一分散就开始乱跳。你试了调温度和加few-shot，这思路对但治标不治本，因为问题很可能出在prompt的结构上——你每个工具的描述是不是写清楚了“必须在拿到X结果后才能调用”？没写死的话模型就会自由发挥。

我之前也踩过这坑，后来干脆把工具调用从“让模型选”改成“用代码控制流程”，比如用LangGraph或者直接写个状态机，把“查库→拿结果→判断→调API”变成显式的节点，这样模型只负责在分支处做决策，而不是一口气规划所有步骤，稳定性一下就上去了。另外你检查过工具返回的格式吗？如果工具A的输出是自由文本而不是结构化JSON，模型提取关键字段时很容易出错，也会导致它觉得“信息够了”就跳过下一步。

还有个容易被忽略的点，就是模型本身的推理能力差异，GPT-4和Claude 3.5对这类依赖关系的把握比小模型强不少，如果你用的是开源小模型，那可能不是框架的问题而是算力不够。至于换框架，LangGraph、AutoGen还有CrewAI都适合这种多步依赖场景，但学习曲线比LangChain直连稍微陡一点，看你愿不愿意折腾了。对了，你日志里有没有记录每步的实际输出？先对比一下模型“以为自己在做什么”和“实际做了什么”，往往能直接定位是prompt误导还是工具反馈有歧义。

说实话你这问题太典型了，ReAct本质上就是让LLM自己决定下一步调哪个工具，它压根不保证执行顺序的确定性，所以temperature调低反而比调高更靠谱，调高只会让决策更飘。我猜你大概率没给工具的输出做结构化校验，比如让Agent先看到工具A返回的JSON里有个status字段，如果没显式在prompt里强调“只有当status为success时才能继续调B”，模型就会自作主张跳过。另外个坑是LangChain的AgentExecutor默认会做“提前终止”优化，有时候模型觉得已经能从历史信息拼出答案就直接输出了，你可以试试把max_iterations调大，或者用Plan-and-Execute那一套，先让模型生成完整计划再逐步执行。不过说真的，如果你这流程是硬性依赖，不如直接写个简单的状态机或者用LangGraph来定义边，比在prompt里跟LLM斗智斗勇稳多了——本质上LLM适合做灵活决策，不适合做严格流程编排。你可以先跑个实验，在工具A的description里写死“调用本工具后必须调用工具B”，看下成功率能提升多少，我这边试过能改善一些但没法根治。

试试把工具依赖写进prompt里明确约束，或者换LangGraph，它天生适合这种带顺序的多步流程。

试试把工具调用逻辑拆成子链，让前一个的输出显式喂给下一个，别全指望ReAct自己规划。

这种顺序乱跳的问题我也踩过坑，后来发现光调temperature没啥用，核心还是prompt里对依赖关系的约束不够硬。你可以试试把工具A的输出格式固定下来，然后在系统提示里明确写清楚“没拿到A的结果之前禁止调用B”，再用output parser卡一下中间步骤。ReAct本身对多步依赖确实偏弱，复杂流程我更倾向用LangGraph把节点和边显式画出来，控制力强很多。

这个问题我踩过类似的坑，说下我的理解。LangChain里Agent的工具调用顺序其实很大程度上取决于LLM自己的推理能力，ReAct那一套本质上就是让模型在thought里自己规划步骤，但它并没有强约束机制保证一定按你想的顺序来。你调temperature基本没用，因为这不是随机性的问题，而是模型对任务分解的理解问题。我后来发现几个比较有效的做法：一是把工具描述写得更明确，特别是写明“这个工具必须在X之后调用”这种前置条件；二是用structured output或者plan-and-execute的模式，先让模型输出一个步骤计划，再按计划逐步执行，而不是让它在ReAct循环里自由发挥。另外LangGraph其实比AgentExecutor更适合你这种有依赖关系的场景，它可以把流程定义成图，节点之间的边就是你的执行顺序，模型只在需要判断的地方做决策，而不是全程自由调度。如果依赖比较复杂，我甚至建议把确定性强的部分直接写成代码逻辑，只把真正需要模型判断的环节交给LLM，别什么都让Agent自己决定。

这个问题其实挺典型的，LangChain的Agent在工具链路上确实容易“自由发挥”，尤其你这种有前后依赖的场景。ReAct本身是靠LLM自己推理下一步该干嘛，它并没有硬性的流程约束，所以模型一旦觉得“差不多能答了”就会跳过工具直接输出，temperature调高反而更容易乱。我之前的做法是把有依赖的工具合并成一个复合工具，内部用代码固定好先查库再调API的顺序，Agent只负责触发这个入口，可控性高很多。另外你可以试试在prompt里明确写“必须拿到工具A的返回结果后才能继续”，并且用structured output强制它输出思考步骤，但说实话效果也就那样，模型该跳还是会跳。如果想要更稳的多步推理，可以看看LangGraph，它把流程做成状态机，节点和边都是你定义的，不会让模型随便跳步。或者干脆用Plan-and-Execute的思路，先让模型出计划再逐步执行，比纯ReAct靠谱。不过代价就是灵活性会降一些，看你能不能接受。

ReAct确实对强依赖顺序支持一般，试试LangGraph显式编排流程，别让Agent自己瞎猜。