跳至主要內容

多智能体系统

多智能体系统将复杂的应用拆分成多个协同工作以解决问题的专业化智能体。

它不依赖于单个智能体来处理每一步，多智能体架构允许您将更小、更专注的智能体组合成一个协调的工作流程。

当出现以下情况时，多智能体系统非常有用：

  • 单个智能体拥有太多工具，导致其难以决定使用哪个工具。
  • 上下文或记忆对于单个智能体来说变得过于庞大，无法有效跟踪。
  • 任务需要专业化（例如，一个规划者、一个研究员、一个数学专家）。

多智能体模式

模式工作原理控制流示例用例
工具调用 (Tool Calling)一个主管 (supervisor) 智能体将其他智能体作为工具来调用。“工具”智能体不直接与用户交谈——它们只运行任务并返回结果。集中式：所有路由都通过调用智能体进行。任务编排、结构化工作流程。
交接 (Handoffs)当前智能体决定将控制权转移给另一个智能体。活动的智能体发生变化，用户可以继续直接与新的智能体交互。分散式：智能体可以改变谁是活动的。多领域对话、专家接管。

教程：构建一个主管智能体

了解如何使用主管模式构建一个个人助理，其中中央主管智能体协调专业的工人智能体。

本教程演示了：

  • 为不同领域（日历和电子邮件）创建专业化的子智能体
  • 将子智能体封装为工具，进行集中式编排
  • 为敏感操作添加人工审核 (human-in-the-loop review)

选择模式

问题工具调用交接
需要对工作流程进行集中式控制吗？✅ 是❌ 否
希望智能体直接与用户交互吗？❌ 否✅ 是
需要复杂、像人一样的专家间对话吗？❌ 有限✅ 强

提示： 您可以混合使用这两种模式——使用交接进行智能体切换，并让每个智能体调用子智能体作为工具来执行专业化任务。

自定义智能体上下文

多智能体设计的核心是上下文工程 (context engineering)——决定每个智能体看到哪些信息。LangChain 允许您对以下内容进行精细控制：

  • 传递给每个智能体的对话或状态的哪些部分。
  • 为子智能体量身定制的专业提示。
  • 包含/排除中间推理。
  • 为每个智能体定制输入/输出格式。

您系统的质量严重依赖于上下文工程。目标是确保每个智能体都能访问执行其任务所需的正确数据，无论它是作为工具还是作为活动智能体。

工具调用 (Tool Calling)

在工具调用中，一个智能体（“控制器”）将其他智能体视为在需要时调用的工具。控制器管理编排，而工具智能体执行特定任务并返回结果。

流程：

  1. 控制器接收输入并决定调用哪个工具（子智能体）。
  2. 工具智能体根据控制器的指令运行其任务。
  3. 工具智能体将结果返回给控制器。
  4. 控制器决定下一步或完成任务。
graph LR
    A[User] --> B[Controller Agent]
    B --> C[Tool Agent 1]
    B --> D[Tool Agent 2]
    C --> B
    D --> B
    B --> E[User Response]

提示： 用作工具的智能体通常不期望继续与用户对话。

它们的角色是执行任务并将结果返回给控制器智能体。

如果您需要子智能体能够与用户对话，请改用交接模式。

实现

下面是一个最小的示例，其中主智能体通过工具定义获得了对单个子智能体的访问权限：

from langchain.tools import tool
from langchain.agents import create_agent


subagent1 = create_agent(model="...", tools=[...])

@tool(
    "subagent1_name",
    description="subagent1_description"
)
def call_subagent1(query: str):
    result = subagent1.invoke({
        "messages": [{"role": "user", "content": query}]
    })
    return result["messages"][-1].content

agent = create_agent(model="...", tools=[call_subagent1])

在此模式中：

  1. 当主智能体决定任务与子智能体的描述匹配时，它会调用 call_subagent1。
  2. 子智能体独立运行并返回其结果。
  3. 主智能体接收结果并继续编排。

何处自定义

有几个点可以控制主智能体与其子智能体之间上下文的传递方式：

  1. 子智能体名称 ("subagent1_name")：这是主智能体引用子智能体的方式。因为它会影响提示，所以请仔细选择。
  2. 子智能体描述 ("subagent1_description")：这是主智能体“了解”子智能体的内容。它直接决定了主智能体何时决定调用它。
  3. 对子智能体的输入：您可以自定义此输入，以更好地塑造子智能体解释任务的方式。在上面的示例中，我们直接传递了智能体生成的 query。
  4. 来自子智能体的输出：这是返回给主智能体的响应。您可以调整返回的内容，以控制主智能体如何解释结果。在上面的示例中，我们返回了最终消息文本，但您也可以返回额外的状态或元数据。

控制对子智能体的输入

控制主智能体传递给子智能体的输入有两个主要杠杆：

  • 修改提示 – 调整主智能体的提示或工具元数据（即，子智能体的名称和描述），以更好地指导其何时以及如何调用子智能体。
  • 上下文注入 – 通过调整工具调用以从智能体的状态中提取信息，来添加无法在静态提示中捕获的输入（例如，完整的消息历史记录、先前的结果、任务元数据）。
from langchain.agents import AgentState
from langchain.tools import tool, ToolRuntime

class CustomState(AgentState):
    example_state_key: str

@tool(
    "subagent1_name",
    description="subagent1_description"
)
def call_subagent1(query: str, runtime: ToolRuntime[None, CustomState]):
    # 应用所需的任何逻辑，将消息转换为合适的输入
    subagent_input = some_logic(query, runtime.state["messages"])
    result = subagent1.invoke({
        "messages": subagent_input,
        # 您也可以根据需要在此处传递其他状态键。
        # 确保在主智能体和子智能体的状态模式中都定义了这些键。
        "example_state_key": runtime.state["example_state_key"]
    })
    return result["messages"][-1].content

控制来自子智能体的输出

塑造主智能体从子智能体接收回的内容的两个常见策略：

  • 修改提示 – 优化子智能体的提示，以准确指定应返回什么。
    • 当输出不完整、过于冗长或缺少关键细节时很有用。
    • 一个常见的失败模式是子智能体执行了工具调用或推理，但没有将结果包含在最终消息中。提醒它控制器（和用户）只能看到最终输出，因此所有相关信息都必须包含在其中。
  • 自定义输出格式化 – 在将子智能体的响应返回给主智能体之前，在代码中对其进行调整或丰富。
    • 示例：除了最终文本之外，将特定的状态键传递回主智能体。
    • 这需要将结果包装在一个 Command（或等效结构）中，以便您可以将自定义状态与子智能体的响应合并。
from typing import Annotated
from langchain.agents import AgentState
from langchain.tools import InjectedToolCallId
from langgraph.types import Command


@tool(
    "subagent1_name",
    description="subagent1_description"
)
# 我们需要将 `tool_call_id` 传递给子智能体，以便它可以使用它来响应工具调用结果
def call_subagent1(
    query: str,
    tool_call_id: Annotated[str, InjectedToolCallId],
# 您需要返回一个 `Command` 对象，才能包含除最终工具调用之外的更多内容
) -> Command:
    result = subagent1.invoke({
        "messages": [{"role": "user", "content": query}]
    })
    return Command(update={
        # 这是我们传回的示例状态键
        "example_state_key": result["example_state_key"],
        "messages": [
            ToolMessage(
                content=result["messages"][-1].content,
                # 我们需要包含工具调用 ID，以便它与正确的工具调用匹配
                tool_call_id=tool_call_id
            )
        ]
    })

交接 (Handoffs)

在交接中，智能体可以直接将控制权相互传递。“活动”智能体发生变化，用户与当前拥有控制权的智能体进行交互。

流程：

  1. 当前智能体决定它需要另一个智能体的帮助。
  2. 它将控制权（和状态）传递给下一个智能体。
  3. 新的智能体直接与用户交互，直到它决定再次交接或完成。
graph LR
    A[User] --> B[Agent A]
    B --> C[Agent B]
    C --> A
最近更新