本文记录了作者使用LangChain4j、LangGraph和ReAct框架尝试构建AI报价系统的心得。作者分别通过prompt、流程图和ReAct框架来控制大模型完成产品名解析、SKU查询和价格计算等步骤，但发现大模型在多步骤流程中的行为仍不可控，容易出现跳过步骤或执行错误的问题，目前尚未找到完全可靠的解决方案。

🔍 LangChain4j + Prompt方案：通过prompt指定多个function call，但实际效果不理想，大模型行为不可控，经常跳过步骤或执行错误。

📊 LangGraph方案：尝试用流程图显式建模步骤，理论上更可控，但实际效果依然不稳定，模型无法灵活应对用户输入的变化。

🤔 ReAct框架方案：在prompt中使用ReAct框架（Thought → Action → Observation），将决策权交还给大模型，逻辑更灵活，但问题依旧存在，可能跳过关键步骤，需要不断优化prompt。

❓ 核心问题：无论是哪种方案，大模型在多步骤流程中的不可控性仍是主要挑战，目前仍未找到完全可靠的解决方案。

以下是我尝试分别用 langchain, langgraph,以及 ReAct 的三次实验，请大家帮忙看看有没有更好的解决方案，多谢。整体排版让 ai 给我优化了一下

售前报价客服的需求与技术演进

需求概述

用户提出一个报价问题，例如：

iphone16pro max, 128g, 黑色 多少钱？

实际 SKU 要复杂得多，但不影响核心流程：

大模型解析用户语义中的产品名；我根据产品名从数据库中查询 SKU 信息；拿到完整 SKU 后计算价格。

---

技术尝试过程

第一次尝试：LangChain4j + Prompt

我在 prompt 中指定了多个 function call：

解析产品名 根据产品名获取 SKU 信息 根据完整 SKU 信息计算价格 如果缺失必要的字段，向用户确认

实际效果： 不理想，属于 demo 偶尔能跑通，但经常出问题：

大模型直接跳过第一步，调用第二步方法；有时甚至直接输出“好的，正在为你计算价格”，并未执行任何函数调用；缺乏可控性。

---

第二次尝试：LangGraph

尝试用流程图方式替代 prompt 中的 if-else 指令：

显式建模产品识别 → 获取 SKU → 补齐字段 → 计算价格等步骤；理论上更可控。

实际效果： 依然不稳定，部分场景下流程刚性，模型无法灵活应对用户输入的变化。

---

第三次尝试：ReAct 框架

在 prompt 中使用 ReAct 框架（ Thought → Action → Observation ）：

将“决策权”交还给大模型；允许其自行判断调用哪些工具；相比直接写死顺序，逻辑更灵活。

实际效果：

看起来更聪明，但问题依旧存在；可能跳过某些关键步骤；经常需要靠“缝缝补补”的方式不断优化 prompt ；仍然不确定是否能彻底杜绝不可控行为。

---

总结

无论是 prompt + function call 、LangGraph 流程图，还是 ReAct 框架，核心问题始终是：
大模型行为的不可控性，尤其是在多步骤流程中容易出错或跳步，目前仍未找到完全可靠的解决方案。