Q5: 解释 LangChain 中的 ZeroShotAgent 和 ReActAgent 的区别。

这是一个很经典的 LangChain 面试题。很多初学者会混淆这两个概念，因为它们在实现上确实有重叠。

简单直接的结论是：在 LangChain 的早期版本中，ZeroShotAgent 就是 ReActAgent 的一个具体实现。 两者都基于 ReAct（Reasoning + Acting） 框架。如果你面试的是较新版本（LangChain >= 0.1.0），ZeroShotAgent 已被标记为弃用，官方推荐直接使用 ReActAgent 或 create_react_agent。

不过，既然面试官专门问“区别”，他考察的是你对设计理念和提示词模板结构的理解。下面是核心区别：

1. 核心定义：名字背后的含义

• ReAct Agent：强调推理循环。它强制要求模型在每个步骤中交替输出 Thought（思考）、Action（行动）、Observation（观察）。这是一个通用的架构模式。
• ZeroShot Agent：强调零样本能力。意思是，它没有给模型提供当前任务的具体示例（Few-shot Examples）。模型必须仅凭工具的描述文字，就推断出该调用哪个工具。

2. 关键区别：提示词模板（最重要）

这是两者最实质的技术差异。

• ReActAgent 的提示词：非常简洁，只告诉模型遵循 Thought/Action/Action Input/Observation 的格式，并输出 Final Answer 结束。不包含任何“如何使用工具”的示例。

  // 伪代码
  “你可以使用这些工具：[工具列表]。请严格按照以下格式回复：
  Thought: 思考...
  Action: 要调用的工具名
  Action Input: 工具的输入
  Observation: 工具返回的结果
  ...（重复）...
  Thought: 我知道答案了
  Final Answer: 最终回复”

• ZeroShotAgent 的提示词：它继承自 ReAct 的单步推理模式，但默认包含了动态生成的工具描述。更重要的是，它允许你通过 agent_kwargs 传入 prefix 和 suffix 来定制指令。它的核心假设是：“模型只要看懂工具的描述（docstring），就知道怎么用，不需要我给它例子。”

面试话术总结：

“在实现上，ZeroShotAgent 使用了标准的 ReAct 格式，但它没有内置的 few-shot 示例。它完全依赖工具自身的描述文本（func.__doc__）来指导模型行为。”

3. 实际使用场景的区别

维度	ZeroShotAgent （旧版）	ReActAgent （新版）
任务复杂度	适合单一、明确的简单任务	适合需要多步推理、回溯的复杂任务
工具数量	工具较多时（5+），表现可能下降	配合 handle_parsing_errors 更鲁棒
是否需要示例	不需要（零样本）	可以通过 few_shot_examples 手动提供
当前状态	Deprecated （弃用）	Active （推荐）

4. 一个容易踩坑的“假区别”

很多面试者会回答：“ZeroShotAgent 只能调用一次工具，ReActAgent 可以循环多次调用工具。” 这是错误的。 两者都支持多步循环（比如先搜索，再计算，再搜索）。区别不在于循环次数，而在于是否依赖上下文示例。

面试最佳答案（参考话术）

你可以这样组织语言：

“在 LangChain 中，两者的核心区别在于设计定位。

1. ReActAgent 是严格遵循 ReAct 论文思想的通用代理，它强制模型执行 ‘思考-行动-观察’ 的循环，并且支持通过 few_shot_examples 进行上下文学习。
2. ZeroShotAgent 本质上是一个特化的 ReActAgent。‘Zero Shot’ 意味着它在提示词中不包含任何具体的任务示例，完全依靠工具本身的描述（docstring）来让模型推理如何行动。

在实际代码演进中，ZeroShotAgent 已经被标记为弃用，因为 create_react_agent 可以更清晰地实现相同功能。如果面试官追问何时用谁，我会说：新版代码一律使用 ReActAgent 或 create_react_agent；只有在阅读老项目代码时，才需要知道 ZeroShotAgent 相当于一个没有提供 examples 参数的 ReActAgent。”