Langgraph译文2：多智能体系统

文件路径

https://github.com/langchain-ai/langgraph

langgraph/docs/docs/concepts/multi_agent.md

多智能体系统（Multi-agent systems）

一个智能体是“使用 LLM 来决定应用控制流的系统”。随着你开发这些系统，它们可能会随时间变得更复杂，从而更难以管理和扩展。例如，你可能会遇到以下问题：

• 智能体可用的工具过多，导致对下一步应调用哪个工具的决策不佳

• 单一智能体难以跟踪过于复杂的上下文

• 系统需要多个专长领域（例如规划、研究、数学专家等）

为了解决这些问题，你可以考虑将应用拆分成多个更小、独立的智能体，并将它们组合成一个多智能体系统。这些独立智能体可以简单到一个提示词加一次 LLM 调用，也可以复杂到一个 ReAct 智能体（甚至更复杂）。

使用多智能体系统的主要好处有：

• 模块化：将智能体拆分有助于更容易地开发、测试和维护智能体系统。

• 专精化：你可以创建聚焦于特定领域的专家智能体，从而提升整体系统性能。

• 可控性：你可以显式地控制智能体如何通信（而不仅仅依赖函数调用）。

多智能体架构（Multi-agent architectures）

在多智能体系统中，有多种方式连接智能体：

• 网络（Network）：每个智能体可以与其他所有智能体通信。任何智能体都可以决定下一步调用哪个智能体。

• 监督者（Supervisor）：每个智能体与一个单独的监督者智能体通信。由监督者智能体决定下一步应调用哪个智能体。

• 监督者（工具调用）：这是监督者架构的一种特殊形式。各个智能体可以表示为工具。在这种情况下，监督者智能体使用“可调用工具”的 LLM 来决定应调用哪个智能体工具以及传递给那些智能体的参数。

• 层级式（Hierarchical）：你可以定义一个拥有监督者的监督者的多智能体系统。这是监督者架构的推广，允许更复杂的控制流。

• 自定义多智能体工作流：每个智能体仅与部分智能体通信。流程的部分是确定性的，只有少数智能体可以决定下一步调用哪个智能体。

交接（Handoffs）

在多智能体架构中，智能体可以表示为图节点。每个智能体节点会执行它的步骤，并决定是结束执行还是路由到另一个智能体，包括可能路由到自身（例如循环运行）。多智能体交互中的一个常见模式是交接，即一个智能体将控制权“移交”给另一个智能体。交接允许你指定：

• 目的地（destination）：要导航到的目标智能体（例如要前往的节点名称）
• 载荷（payload）：传递给该智能体的信息（例如状态更新）

要在 LangGraph 中实现交接，智能体节点可以返回 Command 对象，用于同时组合控制流与状态更新：

:::python

def agent(state) -> Command[Literal["agent", "another_agent"]]:# 路由/停止的条件可以是任何东西，例如 LLM 工具调用/结构化输出等goto = get_next_agent(...)  # 'agent' / 'another_agent'return Command(# 指定下一步要调用的智能体goto=goto,# 更新图状态update={"my_state_key": "my_state_value"})

:::js

graph.addNode((state) => {// 路由/停止的条件可以是任何东西，例如 LLM 工具调用/结构化输出等const goto = getNextAgent(...); // 'agent' / 'another_agent'return new Command({// 指定下一步要调用的智能体goto,// 更新图状态update: { myStateKey: "myStateValue" }});
})

在更复杂的场景中，每个智能体节点本身也是一个图（即子图），某个智能体子图中的节点可能需要导航到不同的智能体。例如，如果你有两个智能体 alice 和 bob（位于父图中的子图节点），并且 alice 需要导航到 bob，你可以在 Command 对象中设置 graph=Command.PARENT：

:::python

def some_node_inside_alice(state):return Command(goto="bob",update={"my_state_key": "my_state_value"},# 指定要导航到哪个图（默认为当前图）graph=Command.PARENT,)

在更复杂的场景中，每个智能体节点本身也是一个图（即子图），某个智能体子图中的节点可能需要导航到不同的智能体。例如，如果你有两个智能体 alice 和 bob（位于父图中的子图节点），并且 alice 需要导航到 bob，你可以在 Command 对象中设置 graph: Command.PARNT：

:::js

alice.addNode((state) => {return new Command({goto: "bob",update: { myStateKey: "myStateValue" },// 指定要导航到哪个图（默认为当前图）graph: Command.PARENT,});
});

如果你需要为通过 `Command(graph=Command.PARENT)` 通信的子图提供可视化支持，你需要使用带有 `Command` 注解的节点函数对它们进行封装：

而不是这样：

:::python

builder.add_node(alice)

你需要这样做：

def call_alice(state) -> Command[Literal["bob"]]:return alice.invoke(state)builder.add_node("alice", call_alice)

如果你需要为使用 `Command({ graph: Command.PARENT })` 进行通信的子图提供可视化支持，你需要使用带有 `Command` 注解的节点函数对它们进行封装：

而不是这样：

:::js

builder.addNode("alice", alice);

你需要这样做：

builder.addNode("alice", (state) => alice.invoke(state), { ends: ["bob"] });

作为工具的交接（Handoffs as tools）

最常见的智能体类型之一是工具调用型智能体。对于这类智能体，一个常见模式是将交接封装到一次工具调用中：

:::python

from langchain_core.tools