使用LangGraph构建多Agent系统架构！

0 前言

Agent是一个使用大语言模型决定应用程序控制流的系统。随着这些系统的开发，它们随时间推移变得复杂，使管理和扩展更困难。如你可能会遇到：

Agent拥有太多的工具可供使用，对接下来应该调用哪个工具做出糟糕决策
上下文过于复杂，以至于单个Agent无法跟踪
系统中需要多个专业领域（例如规划者、研究员、数学专家等）。

为解决这些问题，你可能考虑将应用程序拆分成多个更小、独立的代理，并将它们组合成一个多Agent系统。这些独立的Agent可以简单到一个提示和一个LLM调用，或者复杂到像一个ReActAgent（甚至更多！）。

1 多Agent系统的好处

模块化：独立的Agent使得开发、测试和维护Agent系统更加容易。
专业化：你可以创建专注于特定领域的专家Agent，这有助于提高整个系统的性能。
控制：你可以明确控制Agent之间的通信（而不是依赖于函数调用）。

2 多Agent架构

多Agent系统中有几种方式连接Agent：

网络：每个Agent都可与其他Agent通信。任何Agent都可以决定接下来调用哪个其他Agent
监督者：每个Agent与一个监督者Agent通信。监督者Agent决定接下来应该调用哪个Agent。
监督者（工具调用）：这是监督者架构的一个特殊情况。个别Agent可以被表示为工具。在这种情况下，监督者Agent使用一个工具调用LLM来决定调用哪个Agent工具，以及传递哪些参数给这些Agent。
层次结构：你可以定义一个有监督者的多Agent系统。这是监督者架构的概括，并允许更复杂的控制流。
自定义多Agent工作流：每个Agent只与Agent子集中的其他Agent通信。流程的部分是确定性的，只有一些Agent可以决定接下来调用哪个其他Agent。

网络

这种架构中，Agent被定义为图节点。每个Agent都可以与每个其他Agent通信（多对多连接），并且可以决定接下来调用哪个Agent。虽然非常灵活，但随着Agent数量的增加，这种架构扩展性并不好：

很难强制执行接下来应该调用哪个Agent
很难确定应该在Agent之间传递多少信息

建议生产避免使用这架构，而是使用以下架构之一。

监督者

这种架构中，定义Agent为节点，并添加一个监督者节点（LLM），它决定接下来应该调用哪个Agent节点。使用条件边根据监督者的决策将执行路由到适当的Agent节点。这种架构也适用于并行运行多个Agent或使用map-reduce模式。

from typing import Literal
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, STARTmodel = ChatOpenAI()class AgentState(MessagesState):next: Literal["agent_1", "agent_2"]def supervisor(state: AgentState):response = model.invoke(...)return {"next": response["next_agent"]}def agent_1(state: AgentState):response = model.invoke(...)return {"messages": [response]}def agent_2(state: AgentState):response = model.invoke(...)return {"messages": [response]}builder = StateGraph(AgentState)
builder.add_node(supervisor)
builder.add_node(agent_1)
builder.add_node(agent_2)builder.add_edge(START, "supervisor")
# 根据监督者的决策路由到Agent之一或退出
builder.add_conditional_edges("supervisor", lambda state: state["next"])
builder.add_edge("agent_1", "supervisor")
builder.add_edge("agent_2", "supervisor")supervisor = builder.compile()

教程以获取有关监督者多Agent架构的示例。

监督者（工具调用）

在这种监督者架构的变体中，我们定义个别Agent为工具，并在监督者节点中使用一个工具调用LLM。这可以作为一个ReAct风格的Agent实现，有两个节点——一个LLM节点（监督者）和一个执行工具（在这种情况下是Agent）的工具调用节点。

from typing import Annotated
from langchain_openai import ChatOpenAI
from langgraph.prebuilt import InjectedState, create_react_agentmodel = ChatOpenAI()def agent_1(state: Annotated[dict, InjectedState]):tool_message = ...return {"messages": [tool_message]}def agent_2(state: Annotated[dict, InjectedState]):tool_message = ...return {"messages": [tool_message]}tools = [agent_1, agent_2]
supervisor = create_react_agent(model, tools)

自定义多Agent工作流

在这种架构中，我们添加个别Agent作为图节点，并提前定义Agent被调用的顺序，以自定义工作流。在LangGraph中，工作流可以以两种方式定义：

显式控制流（普通边）：LangGraph允许你通过普通图边显式定义应用程序的控制流（即Agent通信的顺序）。这是上述架构中最确定性的变体——我们总是提前知道接下来将调用哪个Agent。
动态控制流（条件边）：在LangGraph中，你可以允许LLM决定应用程序控制流的部分。这可以通过使用条件边实现。一个特殊情况是监督者工具调用架构。在这种情况下，驱动监督者Agent的工具调用LLM将决定工具（Agent）被调用的顺序。

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, STARTmodel = ChatOpenAI()def agent_1(state: MessagesState):response = model.invoke(...)return {"messages": [response]}def agent_2(state: MessagesState):response = model.invoke(...)return {"messages": [response]}builder = StateGraph(MessagesState)
builder.add_node(agent_1)
builder.add_node(agent_2)
# 明确定义流程
builder.add_edge(START, "agent_1")
builder.add_edge("agent_1", "agent_2")

3 Agent之间通信

构建多Agent系统时最重要的事情是弄清楚Agent如何通信。有几个不同的考虑因素：

Agent是通过图状态或工具调用进行通信的吗？
如果两个Agent有不同的状态模式怎么办？
如何通过共享消息列表进行通信？

3.1 图状态与工具调用

Agent之间传递的“有效载荷”是什么？在上述讨论的大多数架构中，Agent通过图状态进行通信。在监督者带工具调用的情况下，有效载荷是工具调用参数。

图状态

要通过图状态进行通信，各个Agent需要被定义为图节点。这些可以作为函数或整个子图添加。在图执行的每一步中，Agent节点接收当前的图状态，执行Agent代码，然后将更新的状态传递给下一个节点。

通常，Agent节点共享一个单一的状态模式。然而，你可能想要设计具有不同状态模式的Agent节点。

3.2 不同的状态模式

一个Agent可能需要与其余Agent有不同的状态模式。例如，搜索Agent可能只需要跟踪查询和检索到的文档。在LangGraph中有两种方法可以实现这一点：

定义具有单独状态模式的子图Agent。如果子图和父图之间没有共享状态键（通道），则需要添加输入/输出转换，以便父图知道如何与子图通信。
定义具有私有输入状态模式的Agent节点函数，该模式与整个图的状态模式不同。这允许传递仅需要用于执行该特定Agent的信息。

3.3 共享消息列表

Agent之间通信的最常见方式是通过共享状态通道，通常是消息列表。这假设状态中至少有一个通道（键）由Agent共享。当通过共享消息列表通信时，还有一个额外的考虑因素：Agent是共享完整的历史记录还是仅共享最终结果？

共享完整历史记录

Agent可以共享他们的思维过程的完整历史记录（即“草稿垫”）与其他所有Agent。这种“草稿垫”通常看起来像一个消息列表。共享完整思维过程的好处是，它可能有助于其他Agent做出更好的决策，提高整个系统的整体推理能力。缺点是，随着Agent数量和复杂性的增长，“草稿垫”将迅速增长，可能需要额外的策略进行内存管理。

共享最终结果

Agent可以拥有自己的私有“草稿垫”，并且只与其余Agent共享最终结果。这种方法可能更适合拥有许多Agent或更复杂的Agent的系统。在这种情况下，你需要定义具有不同状态模式的Agent。

对于作为工具调用的Agent，监督者根据工具模式确定输入。此外，LangGraph允许在运行时传递状态给单个工具，以便从属Agent在需要时可以访问父状态。

关注我，紧跟本系列专栏文章，咱们下篇再续！

作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。

各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。

负责：

中央/分销预订系统性能优化

活动&券等营销中台建设

交易平台及数据中台等架构和开发设计

车联网核心平台-物联网连接平台、大数据平台架构设计及优化

LLM Agent应用开发

区块链应用开发

大数据开发挖掘经验

推荐系统项目

目前主攻市级软件项目设计、构建服务全社会的应用系统。