在实践过程中，用大模型做一个需求遇到的问题

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：

1. 大模型解析用户语义中的产品名；
2. 我根据产品名从数据库中查询 SKU 信息；
3. 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：

1. 解析产品名
2. 根据产品名获取 SKU 信息
3. 根据完整 SKU 信息计算价格
4. 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。