首页 / 文章

结合LangChain的多智能体AI系统——构建方法

基于LangChain的多智能体AI系统:什么是多智能体系统,何时多个智能体会胜过单个大语言模型智能体,以及如何构建和关联各智能体的角色。

发布者:REACTAPP.TOP阅读约 11 分钟2636 词

来源: Multi-Agent AI Systems with LangChain: Building an Orchestrator That Delegates Work

以下笔记为“基于LangChain的多智能体AI系统:构建可分配任务的协调器”提供了实用的实施路径。重点在于契约、校验机制以及可直接插入的代码占位符,而非动机性阐述。 在完成概览阶段时,首先明确契约内容:所需输入、成功信号以及部分失败时的处理方式。这样的清单能确保后续的代码修改保持一致性。 在功能结果旁记录执行时间以及代币或查询成本。提前了解成本情况,可避免在从演示环境过渡到共享环境时出现意外费用。

1. 什么是多智能体系统?

“1. 什么是阶段”这一概念在被视为可度量的结构时效果最佳。在扩大范围之前,先记录一个成功的案例、一个失败案例以及回滚说明。 将配置与应用程序代码分开。环境文件、密钥存储和功能标志应集中存放于一处,这样操作人员无需查看整个结构就能进行审计。 保持数据结构的层次简单且类型明确。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在出现中断后导致无法继续处理。

User
  |
  v
Single Agent
  |
  +-- Search
  +-- Analyze
  +-- Calculate
  +-- Generate Report
                         User
                           |
                           v
                    +--------------+
                    | Main Agent   |
                    | Orchestrator |
                    +------+-------+
                           |
              +------------+------------+
              |                         |
              v                         v
       +-------------+           +-------------+
       | Math Agent  |           | Search Agent|
       +-------------+           +-------------+
              |                         |
          square()                  search()

2. 为何要使用多个代理?

将“两个为什么”与多阶段方法视为可度量的结构来运用时效果最佳。在扩大范围之前,先记录一份典型的成功案例、一个故障实例以及回滚说明。 同时记录正常流程与恢复流程。重试机制、人工审核环节以及死信处理都是产品本身的一部分,而非后续需要补充的内容。 保持图结构的层次简单且类型明确。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在流程中断后导致无法继续执行。

Database queries
Security analysis
Documentation search
Report generation
"I have a database question → call database agent."
"I have a security question → call security agent.""I need documentation → call documentation agent."

单一代理

将单智能体阶段视为可度量的对象来处理时效果最佳。在扩大范围之前,先记录一份理想的执行日志、一个故障案例以及回滚说明。 相较于庞大的脚本,应优先选择小型且可测试的单元。当某一步骤出现故障时,故障原因应能明确指向某个具体的责任主体,而非复杂的流程链。 保持图结构的状态简洁且具有类型定义。嵌套的数据结构会掩盖哪个节点修改了哪个字段的信息,还会在流程中断后导致无法继续执行。

                    LLM
                     |
       +-------------+-------------+
       |             |             |
    Database       Search       Security
       |             |             |
       +-------------+-------------+

将单智能体阶段视为可度量的对象来处理时效果最佳。在扩大范围之前,先记录一份理想的执行日志、一个故障案例以及回滚说明。 除了功能结果外,还需记录执行时间以及令牌或查询的成本。尽早了解成本情况,可避免在流程从演示环境过渡到共享环境时出现意外费用。

多智能体

在多智能体阶段,应在修改代码之前明确输入参数、该步骤的负责人以及终止条件。操作员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 配置信息应置于应用程序代码之外。环境文件、密钥存储以及功能标志应集中存放,以便操作员无需查看整个系统结构即可进行审核。 对于涉及资金支出或修改生产数据的操作,需经过人工审批。编译时的连接方式并不等同于业务功能的完整性。

                      Main Agent
                    /     |      \
                   /      |       \
                  v       v        v
             DB Agent  Search   Security
                        Agent      Agent

3. 示例:两个专用智能体

对于“示例二:专业化阶段”的第三步,应在修改代码之前明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 需同时记录正常流程和异常恢复流程。重试机制、人工审核环节以及错误处理都是产品本身的组成部分,而非后续需要补充的内容。 对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的逻辑连接并不等同于业务功能的完整性。

Calculate the square of a number
Calculate the square root of a number
@tool
def square_root(x: float) -> float:
    """Calculate the square root of a number"""
    return x ** 0.5
@tool
def square(x: float) -> float:
    """Calculate the square of a number"""
    return x ** 2
subagent_square_root = create_agent(
    model=llm,
    tools=[square_root]
)
subagent_square = create_agent(
    model=llm,
    tools=[square]
)
square_root()
square()

4. 重要部分:将智能体转化为工具

在“4个重要环节”阶段,修改代码之前需明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 相较于庞大的脚本,更应采用小型且可测试的单元。当某个步骤失败时,故障原因应能指向单一责任主体,而非复杂的流程链。 在网关处进行身份验证,在数据层再次授权。仅凭承载令牌并不足以界定租户边界。 在“4个重要环节”阶段,修改代码之前需明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 除了功能结果外,还需记录执行时间以及令牌或查询成本。提前了解成本情况,可避免在流程从演示环境转向共享环境时出现意外账单。

@tool
def call_subagent_square_root(x: float) -> float:
    """Call subagent 1 in order to calculate
    the square root of a number"""
    response = subagent_square_root.invoke(
        {
            "messages": [
                HumanMessage(
                    content=f"Calculate the square root of {x}"
                )
            ]
        }
    )    return response["messages"][-1].content
@tool
def call_subagent_square(x: float) -> float:
    """Call subagent 2 in order to calculate
    the square of a number"""
    response = subagent_square.invoke(
        {
            "messages": [
                HumanMessage(
                    content=f"Calculate the square of {x}"
                )
            ]
        }
    )    return response["messages"][-1].content
Main Agent
     |
     +-- call_subagent_square_root()
     |
     +-- call_subagent_square()

5. 创建协调器

在完成“创建协调器”这一阶段时,首先需明确相关约定:所需的输入参数、成功信号以及部分失败时的处理方式。这样的清单能确保后续的代码修改保持一致性。 应将配置信息与应用程序代码分开存放。环境文件、密钥存储以及功能开关应集中管理,以便操作员无需查看整个流程即可进行审计。 在耗时较高的步骤之后设置检查点。当操作员重新执行后续节点时,恢复流程不应再次对相同的LLM调用收费。

main_agent = create_agent(
    model=llm,
    tools=[
        call_subagent_square_root,
        call_subagent_square
    ],
    system_prompt=
        "You are a helpful assistant who can call "
        "subagents to calculate the square root or "
        "square of a number."
)
                         User
                           |
                           |
                           v
                  +----------------+
                  |   Main Agent    |
                  |  Orchestrator   |
                  +-------+--------+
                          |
                 Tool selection
                    /          \
                   /            \
                  v              v
        +----------------+  +----------------+
        | Square Root    |  | Square         |
        | Subagent       |  | Subagent       |
        +-------+--------+  +-------+--------+
                |                  |
                v                  v
          square_root()        square()

6. 当用户提出问题时会发生什么?

在处理“6个会发生什么”阶段时,首先写下相关契约:所需的输入参数、成功信号以及部分失败时的处理方式。这样的检查清单能确保后续的代码修改保持一致性。 同时记录正常流程和异常恢复流程。重试机制、人工审核环节以及死信处理都是产品本身的组成部分,而非后续的优化内容。 在成本较高的步骤之后设置检查点。当操作员重新尝试某个后续节点时,恢复流程不应再次调用相同的LLM接口。

What is the square root of 456?
response = main_agent.invoke(
    {
        "messages": [
            HumanMessage(
                content="What is the square root of 456?"
            )
        ]
    }
)
call_subagent_square_root(x=456)
Calculate the square root of 456
square_root()
21.3541565
The square root of 456 is approximately 21.35.
User
 |
 | "What is the square root of 456?"
 v
Main Agent
 |
 | selects call_subagent_square_root
 v
Square Root Subagent
 |
 | invokes square_root(456)
 v
21.3541565
 |
 v
Main Agent
 |
 v
"The square root of 456 is approximately 21.35."

7. LLM应扮演什么角色?

在处理“7个Where Does the阶段”时,首先需明确契约内容:所需输入、成功信号以及部分失败时的处理方式。这份清单能确保后续的代码修改保持一致性。 优先选择小型、可测试的单元,而非冗长的脚本。当某个步骤失败时,故障应指向单一责任点,而非复杂的流程链。 缓存稳定的系统指令和工具架构。重复发送相同的开头信息是导致资源浪费的常见原因。 在处理“7个Where Does the阶段”时,首先需明确契约内容:所需输入、成功信号以及部分失败时的处理方式。这份清单能确保后续的代码修改保持一致性。 在功能结果旁记录执行时间以及令牌或查询成本。提前了解成本情况,可避免在从演示环境过渡到共享环境时出现意外费用。

llm = ChatOllama(
    model="llama3.2:latest",
    base_url="http://localhost:11434",
    temperature=0,
)
                Ollama / Llama
                     |
          +----------+----------+
          |                     |
          v                     v
     Main Agent            Subagents
     Orchestrator          Specialized
Main Agent       → powerful reasoning model
Security Agent   → security-specialized modelCoding Agent     → coding modelSimple Agent     → smaller/cheaper model

8. 多智能体并不等同于多个大语言模型

“8. 多智能体并不等同于多个大语言模型”这一框架在被视为可度量的指标体系时效果最佳。在扩大应用范围之前,应先记录一个成功的案例、一个失败案例以及回滚说明。 将配置信息置于应用程序代码之外。环境文件、密钥存储和功能开关应集中存放,以便操作人员无需查看整个系统结构即可进行审计。 为每轮对话和每次会话设定token预算。智能体工具往往会大量消耗上下文资源,设置上限可避免演示过程变成意外的费用账单。

Model A
  |
  +-- Agent 1
  +-- Agent 2
  +-- Agent 3
Model A → Agent 1
Model B → Agent 2
Model C → Agent 3
Agent =
    Model
  + Instructions
  + Tools
  + State/Context
  + Decision-making

9. 为何不把所有工具都交给一个智能体?

“9个为什么”方法在被视为可度量的分析框架时效果最佳。在扩大范围之前,先记录一个成功的案例、一个失败案例以及回滚说明。 同时记录正常流程和恢复流程。重试机制、人工审核环节以及错误处理都是产品本身的一部分,而非后续需要补充的内容。 使用结构明确的工具,并为各种操作添加清晰的副作用标签。主机需要在自动批准之前知道哪些调用会改变系统状态。

                         Orchestrator
                              |
          +-------------------+-------------------+
          |                   |                   |
          v                   v                   v
    Database Agent       Security Agent      Research Agent
          |                   |                   |
       PostgreSQL          SIEM/Security       Web/MCP
                              |
                              v
                       Report Generator

10. 多智能体工作流与顺序工作流

将“10个多智能体与顺序处理阶段”的模型视为可度量的结构时,其效果最佳。在扩大范围之前,需记录一份理想的运行日志、一个故障案例以及回滚说明。 相较于庞大的脚本,应优先选择小型且可测试的单元。当某一步骤出现故障时,故障原因应能明确指向某个具体责任方,而非复杂的流程链。 保持图结构的状态简洁且具有类型定义。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在流程中断后导致无法继续执行。 将“10个多智能体与顺序处理阶段”的模型视为可度量的结构时,其效果最佳。在扩大范围之前,需记录一份理想的运行日志、一个故障案例以及回滚说明。 除了功能结果外,还需记录执行时间以及令牌或查询成本。提前了解成本情况,可避免在流程从演示环境转向共享环境时出现意外费用。

顺序工作流

在顺序工作流阶段,应在修改代码之前明确输入参数、各步骤的负责人以及结束条件。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 配置信息应置于应用程序代码之外。环境文件、密钥存储以及功能标志应集中存放于一个位置,以便操作人员无需查看整个流程图即可进行审核。 对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的连接方式并不等同于业务流程的完整性。

Step 1
  ↓
Step 2
  ↓
Step 3
  ↓
Step 4
Retrieve documents
      ↓
Analyze documents
      ↓
Generate report
      ↓
Send email

编排式多智能体系统

在编排式多智能体系统阶段,修改代码之前需明确输入参数、该步骤的负责人以及终止条件。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 需同时记录正常流程与故障恢复流程。重试机制、人工审核环节以及死信处理都是产品功能的一部分,而非后续需要补充的内容。 对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的连接方式并不等同于业务功能的完整性。

                     Orchestrator
                    /     |      \
                   /      |       \
               Agent A  Agent B  Agent C
Workflow = predefined control flow
Multi-Agent =
LLM-driven delegation between specialized agents

11. 生产架构

在11号生产架构阶段,应在修改代码之前明确输入内容、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。相比冗长的脚本,更应采用小型且可测试的单元。当某个步骤失败时,故障原因应能指向单一责任模块,而非复杂的流程链。

User
                           |
                           v
                 +-------------------+
                 | Orchestrator      |
                 | Agent             |
                 +---------+---------+
                           |
          +----------------+----------------+
          |                |                |
          v                v                v
    +-----------+    +-----------+    +-----------+
    | Research  |    | Security  |    | Database  |
    | Agent     |    | Agent     |    | Agent     |
    +-----+-----+    +-----+-----+    +-----+-----+
          |                |                |
          v                v                v
       Web/MCP          SIEM/APIs       PostgreSQL
          |                |                |
          +----------------+----------------+
                           |
                           v
                  +----------------+
                  | Final Response |
                  | / Report Agent |
                  +----------------+
Research Agent
    → web search
    → document retrieval
    → RAG
Security Agent
    → SIEM
    → vulnerability database
    → security APIsDatabase Agent
    → SQL
    → analyticsReport Agent
    → summarize
    → format
    → email

12. 核心要点

1. 专责化代理

Agent → one domain / capability

2. 将子代理封装为工具

Main Agent
    |
    +-- Subagent Tool

3. 让协调器负责任务分配

4. 保持接口简洁

Tool name
Description
Arguments
Result

5. 从简单开始

AI Orchestrator
                         |
        +----------------+----------------+
        |                |                |
    Research          Coding          Security
      Agent            Agent            Agent
        |                |                |
       MCP             GitHub          Security APIs
       RAG             Tools           SIEM

结论

User
  ↓
Main Agent
  ↓
Tool representing a subagent
  ↓
Specialized Subagent
  ↓
Domain-specific Tool
  ↓
Result
  ↓
Main Agent
  ↓
User

操作检查清单