说明：LangChain 官方现在更推荐用 LangGraph 构建 Agent（可与 LangChain.js 无缝搭配），ReAct/Plan&Execute 在 LangChain 里仍可用，但建议在新项目里考虑上图式编排（LangGraph）以获得更强的可控性与状态持久化。

---

1) ReAct（Reason + Act）

目标：让模型“思考—调用工具—再思考—再调用”。

LangChain.js 快速用法：createReactAgent({ llm, tools, prompt })。

// pnpm add langchain @langchain/openai zod import { ChatOpenAI } from "@langchain/openai"; import { z } from "zod"; import { createReactAgent } from "langchain/agents"; import { tool, StructuredTool } from "@langchain/core/tools"; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); /** 1) 用 tool() 快速定义一个简单工具（推荐） */ const webSearch = tool({ name: "web_search", description: "Search the web and return a short result overview.", schema: z.object({ query: z.string() }), async func({ query }) { // 这里替换成你自己的检索逻辑（公司内SaaS/ES/自建API等） return `Pretend we searched the web for: ${query}`; }, }); /** 2) 用 StructuredTool 定义带复杂Schema的工具（进阶） */ class SumTool extends StructuredTool<typeof schema> { name = "sum_numbers"; description = "Sum two numbers."; constructor() { super(); } static schema = z.object({ a: z.number(), b: z.number() }); schema = SumTool.schema; async _call({ a, b }) { return String(a + b); } } const agent = await createReactAgent({ llm, tools: [webSearch, new SumTool()], // 可选：自定义提示词；不传则用默认 ReAct 提示 }); const res = await agent.invoke({ input: "先用web_search搜索'2024年新能源销量Top3'，再把1+2相加告诉我。", }); console.log(res);

• 工具创建与选择：官方建议优先使用 tool()；复杂输入可用 StructuredTool。

---

2) Plan-and-Execute（先规划，再执行）

目标：先产出全局计划，再逐步执行各步骤，可在长任务中更稳定。

在 LangChain.js：可用 PlanAndExecuteAgentExecutor（实验模块），或直接采用 LangGraph 的 Plan&Execute 教程。

// pnpm add langchain @langchain/openai zod import { ChatOpenAI } from "@langchain/openai"; import { z } from "zod"; import { tool } from "@langchain/core/tools"; import { PlanAndExecuteAgentExecutor } from "langchain/experimental/plan_and_execute"; import { PromptTemplate } from "@langchain/core/prompts"; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); const fetchRepoStats = tool({ name: "fetch_repo_stats", description: "Get stars and forks of a GitHub repo like owner/name.", schema: z.object({ repo: z.string() }), async func({ repo }) { // 演示：替换为真实 GitHub API return { repo, stars: 27500, forks: 3000 }; }, }); // 规划提示（示意） const plannerPrompt = PromptTemplate.fromTemplate( `你是项目规划助手。将用户任务分解为明确的步骤清单（最多5步）。 任务：{input} 输出JSON数组，如：["步骤1", "步骤2", ..."]` ); const executor = await PlanAndExecuteAgentExecutor.fromLLMAndTools({ llm, tools: [fetchRepoStats], // 可选：自定义planner链与执行策略 // plannerChain: ... // executionChain: ... prompt: plannerPrompt, // 一些版本使用 plannerPrompt/planPrompt，具体以版本为准 }); const result = await executor.invoke({ input: "比较 langchain-ai/react-agent-js 的人气与它的替代项目，并给出结论。", }); console.log(result);

• 进一步参考：

• • LangGraph 的 Plan&Execute 教程（推荐新项目用图式编排）。
  • LangChain 团队的规划 Agent 文章。

---

3) Reflex Agent（规则/映射式）

目标：输入→输出的轻量“反射型”策略，无外部推理树。

实现：直接用 LLMChain/RunnableSequence 即可（不需要 Agent 组件），示例：

// pnpm add langchain @langchain/openai import { ChatOpenAI } from "@langchain/openai"; import { PromptTemplate } from "@langchain/core/prompts"; import { RunnableSequence } from "@langchain/core/runnables"; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); const prompt = PromptTemplate.fromTemplate( "你是FAQ机器人，只能从下列知识里回答：{kb}\n用户：{q}\n回答：" ); const chain = RunnableSequence.from([prompt, llm]); const out = await chain.invoke({ kb: "退改签规则：……\n客服电话：400-xxx-xxx", q: "怎么人工转客服？", }); console.log(out);

---

4) 推理范式（CoT / ToT / GoT）

4.1 Chain-of-Thought（CoT）

import { ChatOpenAI } from "@langchain/openai"; import { PromptTemplate } from "@langchain/core/prompts"; import { RunnableSequence } from "@langchain/core/runnables"; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); const prompt = PromptTemplate.fromTemplate( "请逐步思考并求解：{question}\n请给出“推理过程”和“最终答案”。" ); const cot = RunnableSequence.from([prompt, llm]); console.log(await cot.invoke({ question: "一辆车每小时行60km，2.5小时走多远？" }));

在 ReAct 或 Plan&Execute 里，同样可以通过提示工程把 CoT 融进去。

4.2 Tree-of-Thoughts / Graph-of-Thoughts

在 JS 侧最实用的做法是用 LangGraph.js 把“分支推理/回溯”的过程画成状态图节点（分支评估→选择→继续/回溯）。官方 ReAct 模板与教程也都基于 LangGraph Studio。

---

5) 学习范式（Self-Reflection / Self-Consistency）

做法：多采样→打分→自我反思→重写。

用 RunnableWithFallbacks / map/aggregate 等可快速拼装：

import { ChatOpenAI } from "@langchain/openai"; import { PromptTemplate } from "@langchain/core/prompts"; const llm = new ChatOpenAI({ model: "gpt-4o-mini", temperature: 0.7 }); const q = "比较 Vite 和 Webpack 的冷启动差异，并给出实验设计。"; // 多次采样 const drafts = await Promise.all( Array.from({ length: 3 }).map(() => llm.invoke(`草拟答案（保证不同视角）：${q}`) ) ); // 自评&挑选（可以再用 llm 评审器打分） const judge = new ChatOpenAI({ model: "gpt-4o-mini", temperature: 0 }); const scored = await Promise.all( drafts.map((d, i) => judge.invoke(`对下面的答案打分(0-10)并解释：\n答案${i + 1}：${d.content}`) ) ); // 反思重写 const bestIdx = 0; // 简化：也可以解析 judge 的评分选择最高分 const final = await judge.invoke( `参考答案${bestIdx + 1}的优点，针对不足之处重写更强版本：\n${drafts[bestIdx].content}` ); console.log(final);

---

6) 多 Agent（Society / Role-Playing / Swarm）

建议实现：用 LangGraph 把多个 Agent 节点（例如“产品经理👩‍💼/架构师🧑‍💻/测试🧪”）连成图，角色消息通过边传递。官方 ReAct 模板可扩展为多 Agent。开源多 Agent 社区如 CAMEL 也提供丰富示例与角色提示。

最小多 Agent（2 角色轮询） （演示型，未用图式，仅 LangChain.js）：

import { ChatOpenAI } from "@langchain/openai"; const pm = new ChatOpenAI({ model: "gpt-4o-mini" }); const dev = new ChatOpenAI({ model: "gpt-4o-mini" }); let msg = "目标：做一个车票比价H5，先给出里程碑。"; for (let i = 0; i < 4; i++) { const pmPlan = await pm.invoke(`你是产品经理，仅输出明确需求/里程碑：\n${msg}`); const devReply = await dev.invoke( `你是前端架构师，基于需求给出技术实现与风险清单：\n${pmPlan.content}` ); msg = String(devReply.content); } console.log("最终输出：", msg);

---

7) 工具增强（Tool-augmented Agent）

核心：把企业内 API / RAG / 搜索 / 报表 等封装成 Tool，挂到 Agent 或直接让模型进行 原生 tool calling。

• JS 文档：工具概念、如何自定义工具。
• 常用内置工具（文件、HTTP等）可复用或参考实现。

import { ChatOpenAI } from "@langchain/openai"; import { z } from "zod"; import { tool } from "@langchain/core/tools"; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); const getOrder = tool({ name: "get_order_by_id", description: "根据订单ID查询订单详情", schema: z.object({ orderId: z.string() }), async func({ orderId }) { // 调内部BFF/GraphQL/REST return { orderId, status: "PAID", driver: "Li Lei" }; }, }); // 直接用“模型原生工具调用”而非老式 Agent 也可以： const withTools = llm.bindTools([getOrder]); // 某些版本也叫 toolChoice/bind() const out = await withTools.invoke("查询订单 20240926-001 的最新状态，并总结给用户。"); console.log(out);

---

8) 记忆增强（Memory-augmented Agent）

目标：保存对话长期/短期信息（如用户偏好、上下文摘要）。

• JS 侧 ConversationSummaryBufferMemory 提供“摘要+最近窗口”的策略；新版文档里也给了迁移与对比。

// pnpm add langchain @langchain/openai import { ChatOpenAI } from "@langchain/openai"; import { ConversationSummaryBufferMemory } from "langchain/memory"; import { ChatMessageHistory } from "langchain/stores/message/in_memory"; const llm = new ChatOpenAI({ model: "gpt-4o-mini" }); const memory = new ConversationSummaryBufferMemory({ llm, // 用于生成摘要 maxTokenLimit: 800, memoryKey: "history", chatHistory: new ChatMessageHistory(), }); await memory.saveContext( { input: "我喜欢用暗色主题，报表默认要按城市维度。" }, { output: "已记录你的偏好。" } ); const { history } = await memory.loadMemoryVariables({}); const reply = await llm.invoke( `结合历史偏好生成个性化欢迎语。\n历史：${history}` ); console.log(reply);

---

9) Workflow / Orchestrator（工作流编排）

生产中推荐用 LangGraph 把“计划—执行—工具—回退—人工介入”画成 DAG/状态机；稳定、可测试、可持久化（官方鼓励从传统 Agent 迁移）。可直接参考 ReAct 模板与 Plan&Execute 教程。

---

小结 & 选型建议

• 新项目：优先 LangGraph（JS）+ LangChain 工具与存储；ReAct/Plan&Execute 当作“策略”，用图把它们固化在节点里。
• 工具层：tool() 足够用，复杂场景再上 StructuredTool，注意 Zod→JSON Schema 的复杂度（有兼容坑）。
• 记忆层：面向会话用 ConversationSummaryBufferMemory；面向知识用 RAG（向量库）+ 工具调用。