多智能体系统入门到精通：构建LangGraph主管模式应用

本文详细介绍了多智能体系统（Multi-Agent Systems）的架构设计与实现，重点讲解了两种协作模式：工具调用（集中式）和交接（去中心化）。通过主管模式（Supervisor Pattern）实例，展示了如何构建专业分工的多智能体系统，实现复杂任务的协同处理。文章还探讨了多级层级结构、上下文管理、内存添加和自定义交接工具等高级特性，帮助开发者构建高效、灵活的大模型应用。

1. Multi-agent 多智能体系统

多智能体系统（Multi-Agent Systems）将复杂的应用程序拆解为多个各司其职的专业智能体，通过协作来共同解决问题。这种架构不再依赖单一的“超级智能体”来处理所有步骤，而是将任务分配给更小、更专注的智能体单元，组合成协调有序的工作流。

多智能体系统在以下场景中尤为适用：

• 工具治理：当单个智能体挂载了过多工具，导致其在工具选择上容易出现幻觉或决策失误时。
• 上下文管理：当任务上下文或记忆库过于庞大，单个智能体难以有效追踪和处理时。
• 专业分工：当任务需要截然不同的角色能力（例如：规划师、研究员、数学专家）协作完成时。

2. Multi-agent patterns 多智能体模式

在模式设计层面，多智能体系统通常采用两种协作范式：集中编排的“工具调用（Tool calling）”与去中心化的“交接（Handoffs）”。根据业务对一致性与灵活性的不同诉求，选择合适的模式可显著改善系统表现。

主管模式（Supervisor）是工具调用的典型代表，主管智能体将其他智能体视为“工具”进行调用。这些“工具”智能体通常不直接与用户交互，而是专注于执行任务并返回结果。这是一种集中式的路由管理方式。

Tool calling 工具调用

当一个“控制器智能体”需要统一调度多个“工具型智能体”时，工具调用模式更利于保证流程的一致性与安全性。控制器（Controller）负责路由分发与状态管理，而工具型智能体则专注于具体任务的执行。

工作流：

1. 控制器接收输入，并决定调用哪个工具（或子智能体）。
2. 工具智能体根据指令执行任务。
3. 工具智能体将结果返回给控制器。
4. 控制器基于结果决定下一步行动或结束任务。

img

s作为工具的智能体通常不需要具备对话能力，它们的核心职责是“执行并反馈”。若需要子智能体直接与用户对话，则应考虑交接模式。

Handoffs 交接

当任务需要在不同智能体间切换“主导权”（例如：先由研究员检索，再转交给分析师计算，最后由编辑汇总），交接模式提供了更灵活的协作能力。当前处于“活跃”状态的智能体直接与用户交互，并在适当时机将控制权（及上下文）移交给下一个智能体。

这种模式是去中心化的：智能体可以自主决定“谁是下一个活跃者”。

工作流：

1. 当前智能体判断需要其他角色的协助。
2. 它将控制权（以及当前状态）传递给下一个智能体。
3. 新的智能体接管对话，直接与用户交互，直到它决定再次交接或完成任务。

img

3. 主管模式（Supervisor Pattern）

主管模式（Supervisor Pattern）通过引入一个“总控智能体”来编排多个专业智能体，非常适用于跨角色分工的端到端流程。相比于让一个单体智能体在数十个工具中艰难选择，主管模式明确了“谁负责什么”，既保留了全局把控能力，又实现了能力的解耦。

它并非构建一个试图掌握所有领域的全能智能体，而是创建一个了解整体工作流的管理者，由它来协调各个领域的专家。

核心特征：

• 创建主管智能体：用于协调多个专业智能体的工作。
• 基于工具的交接：利用工具调用机制实现智能体之间的通信与任务指派。
• 灵活的历史管理：支持对对话历史的精细化控制，优化上下文长度。

安装依赖：

uv add langgraph-supervisor langchain-openai

以上命令使用 UV 安装 Supervisor 与 OpenAI 适配的必要依赖。若改用 DeepSeek、Gemini 等提供方，请在示例中调整模型与密钥参数。

以下是一个主管管理两名专业代理人（数学专家与研究专家）的完整示例：

"""Run the langgraph supervisor sample with DeepSeek model."""from langchain_openai import ChatOpenAIfrom langgraph_supervisor import create_supervisorfrom langgraph.prebuilt import create_react_agentmodel = ChatOpenAI( model="deepseek-chat", api_key="sk-...", base_url="https://api.deepseek.com")# Create specialized agentsdef add(a: float, b: float) -> float: """Add two numbers.""" return a + bdef multiply(a: float, b: float) -> float: """Multiply two numbers.""" return a * bdef web_search(query: str) -> str: """Search the web for information.""" return ( "Here are the headcounts for each of the FAANG companies in 2024:\n" "1. **Facebook (Meta)**: 67,317 employees.\n" "2. **Apple**: 164,000 employees.\n" "3. **Amazon**: 1,551,000 employees.\n" "4. **Netflix**: 14,000 employees.\n" "5. **Google (Alphabet)**: 181,269 employees." )math_agent = create_react_agent( model=model, tools=[add, multiply], name="math_expert", prompt="You are a math expert. Always use one tool at a time.")research_agent = create_react_agent( model=model, tools=[web_search], name="research_expert", prompt="You are a world class researcher with access to web search. Do not do any math.")# Create supervisor workflowworkflow = create_supervisor( [research_agent, math_agent], model=model, prompt=( "You are a team supervisor managing a research expert and a math expert. " "For current events, use research_agent. " "For math problems, use math_agent." ))# Compile and runapp = workflow.compile()result = app.invoke({ "messages": [ { "role": "user", "content": "what's the combined headcount of the FAANG companies in 2024?" } ]})print("\n=== Final Answer ===")messages = result.get("messages", []) if isinstance(result, dict) else []if messages: last = messages[-1] output = getattr(last, "content", str(last)) print(output) print("\n=== Trace ===") for i, m in enumerate(messages): name = getattr(m, "name", None) or"unknown" typ = getattr(m, "type", None) or type(m).__name__ print(f"{i:02d}. {name} [{typ}]")else: print(result)

控制台输出解析

运行示例后，控制台将同时输出“最终答案”和“代理调用轨迹（Trace）”。轨迹清晰地展示了各智能体在主管调度下的协作过程，这对于调试 Prompt 和优化工具组合非常有帮助。

=== Final Answer ===Based on the research conducted, the combined headcount of FAANG companies in 2024 is **approximately 1,977,586 employees**.Here's the breakdown:- **Meta (Facebook)**: 67,317 employees- **Apple**: 164,000 employees- **Amazon**: 1,551,000 employees- **Netflix**: 14,000 employees- **Google (Alphabet)**: 181,269 employees**Total: 1,977,586 employees**Amazon accounts for the vast majority (over 78%) of FAANG's total workforce, largely due to its massive warehouse and logistics operations. The other four companies combined make up about 22% of the total headcount.=== Trace ===00. unknown [human]01. supervisor [ai]02. transfer_to_research_expert [tool]03. research_expert [ai]04. research_expert [ai]05. transfer_back_to_supervisor [tool]06. supervisor [ai]

Full History 模式

如果需要保留完整的对话与工具调用历史（例如用于审计或复盘），可开启full_history模式。需要注意的是，在高并发或长对话场景下，需结合摘要（Summarization）与分段持久化策略，以平衡存储成本与系统性能。

workflow = create_supervisor( agents=[agent1, agent2], output_mode="full_history")

开启后的轨迹示例：

=== Trace ===00. unknown [human]01. supervisor [ai]02. transfer_to_research_expert [tool]03. research_expert [ai]04. web_search [tool]05. research_expert [ai]06. web_search [tool]07. research_expert [ai]08. web_search [tool]09. research_expert [ai]10. web_search [tool]11. research_expert [ai]12. web_search [tool]13. research_expert [ai]14. web_search [tool]15. research_expert [ai]16. research_expert [ai]17. transfer_back_to_supervisor [tool]18. supervisor [ai]

Multi-level Hierarchies 多级层级结构

通过“主管管理主管”的方式，我们可以构建多级层级系统（Multi-level Hierarchies）。

当业务流程极其复杂，涉及多个庞大的职能部门（如独立的研发团队、写作团队）时，可以通过“顶层主管”来协调多个“子主管”。这种结构实现了更清晰的模块边界与职责分离，类似于大型公司的组织架构。

research_team = create_supervisor( [research_agent, math_agent], model=model, supervisor_name="research_supervisor").compile(name="research_team")writing_team = create_supervisor( [writing_agent, publishing_agent], model=model, supervisor_name="writing_supervisor").compile(name="writing_team")top_level_supervisor = create_supervisor( [research_team, writing_team], model=model, supervisor_name="top_level_supervisor").compile(name="top_level_supervisor")

自定义代理上下文

多智能体设计的核心在于上下文工程（Context Engineering）—— 即决定每个智能体能“看到”什么信息。

系统的效能很大程度上取决于上下文的设计。目标是确保每个智能体（无论是作为工具还是独立行动者）都能获得执行任务所需的最小必要数据，同时避免无关信息带来的干扰（噪声）。LangChain 提供了细粒度的控制能力，允许开发者为不同角色定制差异化的数据视野。

Adding Memory 添加内存

您可以为您的 Supervisor 多智能体系统添加短期记忆（Short-term Memory）和长期记忆（Long-term Memory）。

由于create_supervisor()返回的是一个需要编译才能使用的StateGraph实例，因此您可以直接将checkpointer（用于短期会话保持）或store（用于长期记忆存储）传递给.compile()方法。这种机制对于构建能记住用户偏好或跨多轮对话保持连贯性的应用至关重要。

from langgraph.checkpoint.memory import InMemorySaverfrom langgraph.store.memory import InMemoryStorecheckpointer = InMemorySaver()store = InMemoryStore()model = ...research_agent = ...math_agent = ...workflow = create_supervisor( [research_agent, math_agent], model=model, prompt="You are a team supervisor managing a research expert and a math expert.",)# Compile with checkpointer/storeapp = workflow.compile( checkpointer=checkpointer, store=store)

Customizing handoff tools 自定义交接工具

默认情况下，Supervisor 使用预置的create_handoff_tool来生成交接工具。但在复杂场景下，您可能需要自定义这些工具的行为。

自定义交接工具能让“角色切换”更加精确与可控。例如：

• 更改工具名称或描述，使其更符合特定业务语境。
• 增加额外的参数，要求 LLM 在交接时填写（如：给下一个智能体的具体任务简报）。
• 调整传递给子智能体的数据内容（默认传递完整历史，您可能希望只传递摘要）。

以下是如何将自定义交接工具传递给create_supervisor的示例：

from langgraph_supervisor import create_handoff_toolworkflow = create_supervisor( [research_agent, math_agent], tools=[ create_handoff_tool(agent_name="math_expert", name="assign_to_math_expert", description="Assign task to math expert"), create_handoff_tool(agent_name="research_expert", name="assign_to_research_expert", description="Assign task to research expert") ], model=model,)

create_handoff_tool 参数说明

• agent_name: 目标智能体的名称（多智能体图中的节点名）。名称应简洁清晰，通常使用蛇形命名法（snake_case）。
• name: （可选）交接工具的名称。默认为transfer_to_<agent_name>。
• description: （可选）工具描述。默认为Ask agent <agent_name> for help。
• add_handoff_messages: 是否将交接动作作为消息添加到历史记录中。如果设为False，交接过程对上下文将是透明的。

4. 总结

多智能体系统（Multi-Agent Systems）标志着 AI 应用开发从单一的 Prompt Engineering 走向了更复杂的 System Engineering。

• 模式选择：Supervisor 模式提供了确定性与可控性，适合流程标准化的业务；而 Handoffs 模式则赋予了系统更大的灵活性，适合探索性与非线性任务。
• 复杂度管理：随着智能体数量的增加，系统的调试与观测（Observability）将变得极具挑战。建议结合 LangSmith 等工具，对智能体之间的交互轨迹进行可视化追踪与评估。
• 未来趋势：未来的智能体架构将更加呈现“分形”特征——每个节点既是一个独立的智能体，也可能是一个由更小粒度智能体组成的子图。

通过合理运用 LangGraph 提供的编排能力，我们可以构建出既具备广度（多领域专家协作）又具备深度（复杂逻辑处理）的下一代 AI 应用。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​