LangChain 学习笔记 09：从对话表单到 BabyAGI，看状态怎样驱动下一步

第 9 章后半放了两个看起来很不一样的案例：对话式表单负责把信息一点点收齐，BabyAGI 则围绕目标不断创建和执行任务。

一个很克制，一个很开放。但把它们放在一起看，会发现两者都在处理同一个核心问题：当前状态是什么，下一步应该怎样由状态产生？

对话式表单的目标不是“聊得自然”

假设系统要帮用户预约会议室，需要收集日期、开始时间、时长、人数和设备需求。

用户可能一次说完，也可能先说“明天下午”，过几轮又改成“还是周五上午”。这时系统不能只保存聊天文本，而要维护明确状态：

{
  "date": "2026-07-31",
  "start_time": null,
  "duration_minutes": 60,
  "attendees": 8,
  "projector": true,
  "confirmed": false
}

模型适合理解自然语言并抽取候选字段，程序则负责日期解析、必填校验、冲突检测和最终提交。

每轮更新都要区分几种情况

“没提到时间”“听不懂时间”“用户清除了原时间”不能都表示成空字符串。至少要区分：没有变化、设置新值、删除旧值、无法判断。

更新状态后，系统根据缺失字段决定下一问；字段齐全以后，也不要立刻提交，而应把标准化后的结果展示给用户确认。

理解本轮输入 -> 生成字段变更 -> 业务校验 -> 更新状态
             -> 询问缺失字段或展示确认页 -> 用户确认后提交

这类流程说明，LLM 可以让表单交互更自然，但表单规则仍然属于确定性程序。

BabyAGI 把状态扩展成任务队列

书中的 BabyAGI 思路可以概括为：给定一个目标，执行当前任务，根据结果创建新任务，再为任务排序。

目标 -> 任务队列 -> 执行任务 -> 保存结果
                  -> 创建新任务 -> 重新排序 -> 下一轮

它看上去比表单自由很多，但依旧离不开结构化状态：总目标、待办任务、已完成任务、执行结果、优先级和终止原因。

名字里虽然有 AGI，这个系统也不会因此拥有通用智能。它更像一个由模型参与规划和调度的任务循环。

开放循环为什么容易失控

模型可以不断提出“再研究一下”“补充更多资料”之类的新任务。如果没有限制，任务队列会膨胀，同义任务会反复出现，成本和时间都难以预测。

因此至少需要：

• 最大轮数、总耗时和 token 预算；
• 任务去重与相似度检查；
• 失败重试上限；
• 高风险工具的人工确认；
• 明确的完成标准和停止原因。

一个目标如果无法定义“做到什么算结束”，Agent 循环通常也很难自己找到可靠终点。

两个案例其实共享同一套骨架

对话表单根据字段状态决定下一问，BabyAGI 根据任务状态决定下一项。前者的状态空间小、规则明确，后者的状态空间开放、更多依赖模型判断。

它们都需要把“模型给出的建议”和“系统确认后的状态”分开。模型可以建议把会议改到周五，也可以建议新增一个研究任务；真正写入状态之前，仍应经过解析、校验和权限控制。

这章给我的启发

LLM 应用的连续性不来自模型自动记住一切，而来自状态被明确保存、更新并驱动下一步。

对话式表单提醒我把自然语言收敛成可验证字段；BabyAGI 则提醒我，任务越开放，越需要预算、终止条件和人工边界。两者之间的差别，本质上是系统愿意交给模型多少控制权。