LangGraph 的 ReAct 模式是如何实现的？

1. 最小 ReAct 图结构

在 LangGraph 中，ReAct（Reasoning + Acting）循环可以用最简化的两节点一图实现：一个 Agent 节点负责调用 LLM 生成回复或 tool_calls，一个 Tool 节点负责执行工具调用。两者之间通过一条条件边连接：如果 LLM 响应包含 tool_calls，路由到 Tool 节点；否则路由到 END 结束执行。Tool 节点执行完毕后通过普通边回到 Agent 节点，形成循环。

2. 从字符串解析到原生工具调用

传统 ReAct 实现依赖 prompt 模板中的格式约定（如 "Thought: ... Action: ... Action Input: ..."），通过正则表达式解析 LLM 的文本输出。2026 年的实现已全面转向原生工具调用：模型根据工具定义的 JSON Schema 直接生成结构化的 tool_calls 字段，由框架层面进行严格验证，彻底消除了格式幻觉导致的崩溃问题。

3. 静态与动态两种实现方式

静态实现使用独立的 router 函数配合 add_conditional_edges() 判断是否继续循环，图结构清晰可视；动态实现则将跳转逻辑内聚在 LLM 节点内部，通过 Command[Literal["tool_node", "output_node"]](update=..., goto=...) 直接在返回值中决定下一步去向。前者适合路由规则简单且被多个节点共享的场景，后者适合节点内部已掌握全部决策信息的场景。

4. 循环终止与安全控制

ReAct 循环的出口始终在 LLM 手中——模型决定是否发出 tool_calls。为防止模型陷入无限循环或过度消耗 token，必须在代码层面设置防护：使用 recursion_limit 配置最大步数、在状态中维护 retry_count 或 stagnant_turns 计数器、对工具调用结果做去重检测等。生产环境还应加入 token 用量监控和断路器机制。