LangGraph 多智能体系统深度解析：从监督式到群体式架构实战
在智能体开发过程中，我们常常会遇到这样的困境：当单个智能体需要同时处理多个领域的任务（如同时管理航班预订和酒店预订）时，其处理效率和专业性会大幅下降。是让单个智能体强行兼容多领域？还是寻找更合理的架构方案？今天我们就来聊聊 LangGraph 中的多智能体系统，看看如何通过分解任务到独立智能体，再组合成高效协作的系统，解决这一现实挑战。
一、多智能体系统的核心概念与优势
1.1 为什么需要多智能体系统
想象一下，一个客服智能体既要处理产品咨询，又要负责订单查询，还要处理售后问题，这样的 "全能型" 智能体往往会因为任务复杂而出现响应延迟或错误。多智能体系统的核心思想就是 "分而治之"：将复杂任务分解为多个专业子任务，每个子任务由专门的智能体处理，再通过协调机制实现整体协作。
LangGraph 中的多智能体系统具有以下显著优势：
- 专业分工：每个智能体专注于特定领域，提升处理效率和准确性
- 可扩展性：轻松添加新智能体以支持新功能，无需修改原有架构
- 容错性：单个智能体故障不会导致整个系统瘫痪
- 灵活性：根据任务需求动态调整智能体协作方式
1.2 两种主流多智能体架构
LangGraph 支持两种最受欢迎的多智能体架构，它们就像两种不同的团队管理模式：
- 监督式（Supervisor）：类似 "集中式管理"，有一个中央监督智能体，负责协调所有子智能体的工作，决定哪个智能体处理当前任务。
- 群体式（Swarm）：类似 "去中心化协作"，智能体根据自身专长动态交接控制权，系统记住上一个活跃智能体，确保对话连续性。
二、监督式多智能体系统：集中式协调方案
2.1 监督式架构的工作原理
监督式多智能体系统就像一个公司的管理层：有一个总经理（监督智能体）负责接收所有任务，然后根据任务性质分配给不同的部门（子智能体）。这种架构的核心在于中央监督智能体的决策逻辑，它需要能够：
- 理解用户请求的性质和需求
- 判断哪个子智能体最适合处理该任务
- 协调子智能体执行任务并汇总结果
2.2 实战：创建旅行预订监督系统
下面我们通过一个旅行预订的例子，看看如何使用 langgraph-supervisor 库创建监督式多智能体系统：
python
# 首先安装必要的库
# pip install langgraph-supervisor langchain-openai
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent
from langgraph_supervisor import create_supervisor
# 定义航班预订工具
def book_flight(from_airport: str, to_airport: str):
"""预订航班"""
return f"成功预订从{from_airport}到{to_airport}的航班"
# 定义酒店预订工具
def book_hotel(hotel_name: str):
"""预订酒店"""
return f"成功预订{hotel_name}酒店"
# 创建航班预订智能体
flight_assistant = create_react_agent(
model="openai:gpt-4o",
tools=[book_flight],
prompt="你是一个航班预订助手",
name="flight_assistant"
)
# 创建酒店预订智能体
hotel_assistant = create_react_agent(
model="openai:gpt-4o",
tools=[book_hotel],
prompt="你是一个酒店预订助手",
name="hotel_assistant"
)
# 创建监督智能体
supervisor = create_supervisor(
agents=[flight_assistant, hotel_assistant],
model=ChatOpenAI(model="gpt-4o"),
prompt=(
"你管理着一个酒店预订助手和一个航班预订助手。请根据用户需求分配工作。"
)
).compile()
# 测试多智能体系统
print("用户请求: 预订从波士顿到纽约的航班和麦克基特里克酒店的住宿")
for chunk in supervisor.stream(
{
"messages": [
{
"role": "user",
"content": "book a flight from BOS to JFK and a stay at McKittrick Hotel"
}
]
}
):
print(chunk)
print("\n")
2.3 监督式架构的适用场景
监督式架构特别适合以下场景：
- 任务需要严格流程控制：如金融审批流程，必须按顺序经过多个审核智能体
- 智能体之间有依赖关系：如先查询库存再处理订单
- 需要统一日志和监控：中央监督智能体便于集中记录所有交互
- 新手开发者：架构清晰，易于理解和调试
三、群体式多智能体系统：去中心化协作方案
3.1 群体式架构的工作原理
群体式多智能体系统的灵感来源于自然界的群体行为（如蚁群、鸟群），没有中央控制者，每个智能体根据自身规则和环境状态自主决策。在 LangGraph 中，群体式架构的核心是 "交接（Handoff）" 机制：
- 智能体根据任务类型判断是否需要转交控制权
- 通过交接工具指定下一个负责的智能体
- 系统记住上一个活跃智能体，确保对话连贯
这种架构就像一个专业团队，成员之间根据专长自然协作：当遇到财务问题时，自动转交给财务专家；遇到技术问题时，转交给技术专家，无需层层上报。
3.2 实战：创建群体式旅行预订系统
下面我们使用 langgraph-swarm 库创建一个群体式多智能体系统：
python
# 安装必要的库
# pip install langgraph-swarm
from langgraph.prebuilt import create_react_agent
from langgraph_swarm import create_swarm, create_handoff_tool
# 创建交接工具：转交给酒店预订助手
transfer_to_hotel_assistant = create_handoff_tool(
agent_name="hotel_assistant",
description="将用户转交给酒店预订助手"
)
# 创建交接工具：转交给航班预订助手
transfer_to_flight_assistant = create_handoff_tool(
agent_name="flight_assistant",
description="将用户转交给航班预订助手"
)
# 定义工具函数
def book_flight(from_airport: str, to_airport: str):
"""预订航班"""
return f"成功预订从{from_airport}到{to_airport}的航班"
def book_hotel(hotel_name: str):
"""预订酒店"""
return f"成功预订{hotel_name}酒店"
# 创建航班预订智能体，包含转交工具
flight_assistant = create_react_agent(
model="anthropic:claude-3-5-sonnet-latest",
tools=[book_flight, transfer_to_hotel_assistant],
prompt="你是一个航班预订助手",
name="flight_assistant"
)
# 创建酒店预订智能体，包含转交工具
hotel_assistant = create_react_agent(
model="anthropic:claude-3-5-sonnet-latest",
tools=[book_hotel, transfer_to_flight_assistant],
prompt="你是一个酒店预订助手",
name="hotel_assistant"
)
# 创建群体智能体系统
swarm = create_swarm(
agents=[flight_assistant, hotel_assistant],
default_active_agent="flight_assistant"
).compile()
# 测试群体智能体系统
print("用户请求: 预订从波士顿到纽约的航班和麦克基特里克酒店的住宿")
for chunk in swarm.stream(
{
"messages": [
{
"role": "user",
"content": "book a flight from BOS to JFK and a stay at McKittrick Hotel"
}
]
}
):
print(chunk)
print("\n")
3.3 群体式架构的适用场景
群体式架构更适合以下场景：
- 任务类型明确可分：如客服系统中不同产品线的咨询
- 需要快速响应：无需经过中央节点，直接转交
- 动态变化的环境：轻松添加新智能体而不影响整体
- 高可用性要求：无单点故障问题
四、智能体交接机制：多智能体协作的核心
4.1 交接机制的工作原理
交接（Handoff）是多智能体系统中智能体之间通信的基本原语，它包含两个关键要素：
- 目的地：指定下一个处理任务的智能体
- 有效载荷：传递给下一个智能体的上下文信息
在 LangGraph 中，交接机制同时支持监督式和群体式架构，但实现方式略有不同：
- 监督式中，由中央监督智能体决定交接
- 群体式中，由当前智能体自主决定交接
4.2 自定义交接工具的实现
下面我们深入了解如何自定义交接工具，这是实现灵活多智能体系统的关键：
python
from typing import Annotated
from langchain_core.tools import tool, InjectedToolCallId
from langgraph.prebuilt import create_react_agent, InjectedState
from langgraph.graph import StateGraph, START, MessagesState
from langgraph.types import Command
def create_handoff_tool(*, agent_name: str, description: str | None = None):
"""创建自定义交接工具的工厂函数"""
name = f"transfer_to_{agent_name}"
description = description or f"转交给{agent_name}"
@tool(name, description=description)
def handoff_tool(
state: Annotated[MessagesState, InjectedState],
tool_call_id: Annotated[str, InjectedToolCallId],
) -> Command:
# 创建工具消息，记录交接动作
tool_message = {
"role": "tool",
"content": f"成功转交给{agent_name}",
"name": name,
"tool_call_id": tool_call_id,
}
# 返回Command对象，指定交接目标和传递的消息
return Command(
goto=agent_name, # 目标智能体名称
update={"messages": state["messages"] + [tool_message]}, # 传递消息历史
graph=Command.PARENT, # 指示在父图中导航
)
return handoff_tool
# 创建具体的交接工具
transfer_to_hotel_assistant = create_handoff_tool(
agent_name="hotel_assistant",
description="将用户转交给酒店预订助手"
)
transfer_to_flight_assistant = create_handoff_tool(
agent_name="flight_assistant",
description="将用户转交给航班预订助手"
)
# 定义工具函数
def book_hotel(hotel_name: str):
"""预订酒店"""
return f"成功预订{hotel_name}酒店"
def book_flight(from_airport: str, to_airport: str):
"""预订航班"""
return f"成功预订从{from_airport}到{to_airport}的航班"
# 创建智能体并添加交接工具
flight_assistant = create_react_agent(
model="anthropic:claude-3-5-sonnet-latest",
tools=[book_flight, transfer_to_hotel_assistant],
prompt="你是一个航班预订助手",
name="flight_assistant"
)
hotel_assistant = create_react_agent(
model="anthropic:claude-3-5-sonnet-latest",
tools=[book_hotel, transfer_to_flight_assistant],
prompt="你是一个酒店预订助手",
name="hotel_assistant"
)
# 定义多智能体图
multi_agent_graph = (
StateGraph(MessagesState)
.add_node(flight_assistant)
.add_node(hotel_assistant)
.add_edge(START, "flight_assistant") # 设置起始智能体
.compile()
)
# 运行多智能体系统
print("用户请求: 预订从波士顿到纽约的航班和麦克基特里克酒店的住宿")
for chunk in multi_agent_graph.stream(
{
"messages": [
{
"role": "user",
"content": "book a flight from BOS to JFK and a stay at McKittrick Hotel"
}
]
}
):
print(chunk)
print("\n")
4.3 交接机制的关键假设
在使用上述交接实现时，需要注意 LangGraph 的两个关键假设：
- 消息历史共享：每个智能体接收多智能体系统的整体消息历史作为输入
- 消息历史聚合：每个智能体的内部消息历史会输出到系统整体消息历史中
五、多智能体系统的实践建议
架构选择指南
-
选择监督式架构：
- 当任务需要严格的流程控制和集中决策时
- 当智能体之间存在复杂依赖关系时
- 当需要统一管理和监控所有智能体时
-
选择群体式架构：
- 当任务可以清晰划分为多个独立子任务时
- 当需要快速响应和去中心化决策时
- 当系统需要频繁添加或移除智能体时
六、总结与展望
通过本文的解析，我们深入了解了 LangGraph 多智能体系统的两种核心架构 —— 监督式和群体式，以及关键的交接机制。从集中式协调到去中心化协作，多智能体系统为复杂任务的分解与协作提供了高效解决方案。
如果本文对你有帮助，别忘了点赞收藏，关注我，一起探索更高效的开发方式～