// 目标分解的数据结构（简化） { "goal": "把本周学习计划写进日历", "subtasks": [ { "id": 1, "action": "解析本周日期范围", "depends_on": [] }, { "id": 2, "action": "查询已有日历事件", "depends_on": [1] }, { "id": 3, "action": "生成学习计划条目", "depends_on": [2] }, { "id": 4, "action": "写入日历 API", "depends_on": [3], "fallback": "generate_pdf" } ] }

// 任务路由决策树（伪代码逻辑） function routeTask(task) { // Step 1: 快速判断任务复杂度 const estimated_steps = estimateSteps(task); // LLM 估计步骤数 const needs_realtime = hasRealtimeRequirement(task); // 需要实时响应？ const needs_parallel = hasParallelRequirement(task); // 需要并行处理？ const domain_count = countDomains(task); // 跨几个专业域？ // Step 2: 路由规则（按优先级） if (estimated_steps <= 3 || needs_realtime) { return 'REACT'; // 短任务 / 实时交互 } if (domain_count >= 3 && needs_parallel) { return 'MULTI_AGENT'; // 多域并行（谨慎使用） } return 'PLAN_EXECUTE'; // 默认：长任务 / 步骤已知 }

// 路由 System Prompt（精简版） const ROUTER_PROMPT = ` 你是任务路由器。分析用户请求，输出 JSON： { "mode": "REACT" | "PLAN_EXECUTE" | "MULTI_AGENT", "estimated_steps": number, "reason": string, "requires_realtime": boolean } 规则： - 步骤≤3 或需要实时交互 → REACT - 步骤>3 且步骤可预知 → PLAN_EXECUTE - 跨3个以上专业域且需并行 → MULTI_AGENT 只输出 JSON，不要其他内容。 `;

// ① 接收用户输入，路由到正确模式 async function handleUserRequest(userInput) { // 路由判断（单次 LLM 调用） const route = await routeTask(userInput); // → { mode: "PLAN_EXECUTE", estimated_steps: 5, requires_realtime: false } if (route.mode === "PLAN_EXECUTE") { return await planAndExecute(userInput); } else if (route.mode === "REACT") { return await reactLoop(userInput); } }

// ② 让 LLM 生成结构化任务图 async function generatePlan(goal) { const response = await llm.call({ system: `生成 JSON 任务图。规则： - 每个任务有 id, action, tool, params_template, depends_on, fallback - depends_on 为空数组表示可立即执行 - 只输出 JSON，不要解释`, user: `目标：${goal}\n可用工具：get_user_level, get_calendar_slots, generate_plan, write_calendar, verify_write` }); const plan = JSON.parse(response); /* 返回： { tasks: [ { id:1, action:"查询用户词汇水平", tool:"get_user_level", depends_on:[], fallback:null }, { id:2, action:"查询本周空闲时间段", tool:"get_calendar_slots",depends_on:[], fallback:null }, { id:3, action:"生成个性化学习计划", tool:"generate_plan", depends_on:[1,2], fallback:null }, { id:4, action:"写入日历", tool:"write_calendar", depends_on:[3], fallback:"output_text" }, { id:5, action:"验证写入结果", tool:"verify_write", depends_on:[4], fallback:null } ]} */ // 验证 Plan 合理性 validatePlan(plan); // 检查：无循环依赖、步骤数≤7、必要步骤存在 return plan; }

// ③ 执行引擎：按依赖关系调度任务 async function executeEngine(plan) { const state = { results: {}, // 每个任务的执行结果 actionHistory: [], // 用于 Loop Detection tokenUsed: 0 // Token 预算追踪 }; while (hasRemainingTasks(plan)) { // 找到所有"依赖已满足"的就绪任务 const readyTasks = plan.tasks.filter(t => t.status === 'pending' && t.depends_on.every(dep => state.results[dep]?.status === 'done') ); // 并行执行所有就绪任务 await Promise.all(readyTasks.map(task => executeTask(task, state) )); } return state.results; } async function executeTask(task, state) { // Loop Detection const fingerprint = `${task.tool}:${JSON.stringify(task.resolved_params)}`; if (detectLoop(state.actionHistory, fingerprint)) { task.status = 'loop_detected'; return triggerFallback(task, state); } state.actionHistory.push(fingerprint); try { task.status = 'running'; const params = resolveParams(task.params_template, state.results); const result = await callTool(task.tool, params); // Belief Update：解读工具结果 const belief = interpretResult(result, task); state.results[task.id] = { status: 'done', data: result, belief }; task.status = 'done'; } catch (error) { // 结构化错误分类 const errType = classifyError(error); // ERR_NETWORK → 重试；ERR_PERMISSION → fallback；ERR_NOT_FOUND → 更新 belief await handleError(task, errType, state); } }

// ④ 工具层：带幂等性保证的日历写入 async function write_calendar(params) { const { events, idempotency_key } = params; // 幂等性检查：先查是否已存在 for (const event of events) { const existing = await calendarAPI.check({ date: event.date, title: event.title }); if (existing) { continue; // 跳过，不重复创建 } await calendarAPI.create(event); } return { status: "success", created_count: events.length, // 语义化返回，帮助 Belief Update _meta: { unit: "events", action: "calendar_write" } }; }

// ⑤ 汇总结果，生成用户友好的最终回复 async function generateFinalResponse(state, originalGoal) { // 收集关键结果（不是原始 API 返回，是语义摘要） const summary = { user_level: state.results[1].belief, // "用户当前水平：B2" slots_found: state.results[2].belief, // "本周有17个可用时间段" plan_created: state.results[3].belief, // "生成了5个学习单元" calendar_status: state.results[4].belief // "成功写入日历" }; // 最终 LLM 调用：生成自然语言回复 return await llm.call({ system: "用友好的语气总结任务执行结果，控制在3句话内", user: `目标：${originalGoal}\n执行摘要：${JSON.stringify(summary)}` }); // → "已为您制定本周英语学习计划！根据您的 B2 水平， // 安排了5个学习单元，利用了周一、三、五的空闲时间段， // 全部已写入您的日历，记得查看 📅" }

// LangGraph 核心结构示例（Plan-and-Execute） import { StateGraph, END } from "@langchain/langgraph"; // 1. 定义状态结构（贯穿整个图的共享数据） const graphState = { goal: null, plan: null, // Plan-and-Execute 的任务图 current_task: null, results: {}, error: null }; // 2. 定义节点（每个节点是一个函数） const workflow = new StateGraph({ channels: graphState }); workflow.addNode("planner", generatePlan); // 规划节点 workflow.addNode("executor", executeTask); // 执行节点 workflow.addNode("validator", validateResult); // 验证节点 workflow.addNode("replanner", replanTask); // 重规划节点 // 3. 定义边和条件转移（关键！） workflow.addEdge("planner", "executor"); workflow.addConditionalEdges("validator", (state) => { if (state.error?.type === "ERR_CRITICAL") return "replanner"; if (hasMoreTasks(state)) return "executor"; return END; }); workflow.addEdge("replanner", "executor"); // 4. 编译并运行 const app = workflow.compile(); const result = await app.invoke({ goal: "制定本周学习计划" });