ReAct处理

链式串行react思考→ 调用工具→ 得到结果→ 再继续下一步推理。这种方式实现简单，但问题也很明显：整个流程是串行的，一个节点慢，后面全部都会被阻塞，而且复杂任务下效率会越来越低。我们的Agent Workflow 是动态图结构，而不是固定链路核心思路是：把任务拆成很多节点，每个节点代表一次...

字数: 609 | 语雀原文

---

链式串行react

思考 → 调用工具 → 得到结果 → 再继续下一步推理。

这种方式实现简单，但问题也很明显：整个流程是串行的，一个节点慢，后面全部都会被阻塞，而且复杂任务下效率会越来越低。

​

我们的Agent Workflow 是动态图结构，而不是固定链路

核心思路是： 把任务拆成很多节点，每个节点代表一次推理、工具调用或者数据处理，然后通过依赖关系组成任务图。

例如： 搜索完成后， 才能做信息总结；

代码生成完成后， 才能进入测试节点。

这样节点之间就形成了依赖关系。

在调度上，我会使用拓扑排序管理执行顺序，通过入度和出度控制节点依赖。

当某个节点的入度为 0，就说明它依赖的数据已经全部准备完成，可以立即执行。

这样最大的好处是： 原本串行等待的步骤，可以并行运行。

比如： 搜索资料、 读取记忆、 拉取网页，

这些其实互相没有依赖，就没必要一个一个执行。

竞速机制

如果多个节点属于同性质任务，比如： 多个搜索源、 多个小模型、 多个检索策略，

系统会并行执行，谁先返回就优先采用结果。

这样做有几个原因：

第一，AI 系统本身具有不确定性。 不同模型、不同工具的响应时间波动很大，串行执行会被最慢节点拖死。

第二，并行能显著降低整体任务耗时。 原本几十秒的链路，可以压缩到几秒。

第三，可以提升系统稳定性。 即使某个节点失败，其它节点仍然可以继续返回结果，避免整个任务直接中断。

第四，后面更容易扩展多 Agent 协作。 因为本质上，多 Agent 也是图结构调度问题，而不是简单对话。

​

​

ReAct 从‘链式调用’升级成‘可调度、可并行、可恢复的任务图 Runtime’。