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。
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