LangChain 第九章：多 Agent 系统的应用场景

在现代AI应用开发中，多 Agent 系统正变得越来越重要。它就像一个高效的团队协作平台，不同的 Agent 扮演不同的角色，共同完成复杂的任务。

想象一下Ru果让一个 Agent 同时处理研究、写作和编辑任务，就像要求一个人同时扮演科学家、作家和校对的角色。虽然理论上可行，但实际上hen难达到Zui佳效果。

让我们通过一个实际的代码示例来理解多 Agent 系统是如何工作的：

import { createAgent } from "langchain";
// 创建基础 Agent
const flexibleAgent = createAgent({
  model: "openai:gpt-4o",
  tools: ,  // 初始为空
});
// 根据用户角色动态提供工具
async function invokeWithDynamicTools {
  let availableTools = ;
  switch  {
    case "admin":
      availableTools = ;
      break;
    case "editor":
      availableTools = ;
      break;
    case "viewer":
      availableTools = ;
      break;
  }
  // 调用时传入工具
  const result = await flexibleAgent.invoke(
    { messages:  },
    { configurable: { tools: availableTools } }
  );
  return result;
}

我们需要定义一个包含路由信息的状态：

import { StateGraph, MessagesAnnotation, Annotation } from "@langchain/langgraph";
// 定义包含路由信息的状态
const SupervisorState = Annotation.Root({
  // 继承默认的消息历史
  ...MessagesAnnotation.spec,
  // 下一个要执行的 Agent 名称
  nextAgent: Annotation({
    reducer:  => next,  // 直接覆盖
    default:  => "FINISH",     // 默认结束
  }),
  // 任务进度追踪
  taskProgress: Annotation({
    reducer:  => next,
    default:  => "",
  }),
});

我们创建三个专门的 Agent：研究员、作家和编辑：

// 研究员 Agent：负责搜集信息
const researchAgent = createAgent({
  model: "openai:gpt-4o",
  tools: ,
  systemPrompt: `你是资深研究员，擅长搜集和整理信息。职责：
    - 根据任务要求搜索相关信息
    - 从多个来源验证信息准确性
    - 输出结构化的研究报告
    输出格式：
    - 关键发现
    - 数据来源
    - 待确认的问题`,
});
// 作家 Agent：负责撰写内容
const writerAgent = createAgent({
  model: "openai:gpt-4o",
  tools: ,
  systemPrompt: `你是专业作家，擅长将信息整合成易读的文章。职责：
    - 基于研究员提供的资料撰写文章
    - 确保文章结构清晰、逻辑连贯
    -语言生动、引人入胜
    注意：不要编造事实所有内容必须基于提供的资料。`,
});
// 编辑 Agent：负责质量把关
const editorAgent = createAgent({
  model: "openai:gpt-4o",
  tools: ,
  systemPrompt: `你是资深编辑，负责审核和优化文章质量。审核标准：
    -事实准确性：是否有错误或遗漏
    -逻辑连贯性：段落之间是否衔接自然 
   -语言表达：是否简洁、准确、生动 
   -格式规范：标题、段落、标点是否正确 
   输出：修改后的文章 + 修改说明`,
});

❌ 不好的设计：

systemPrompt: `你是客服助手，同时也是代码专家，还NengZuo数据分析...`

角色定位不清晰，回答风格不一致

专业深度不够，每个领域dou"懂一点但不精"

难以维护和优化

不同的 Agent 使用不同的向量数据库命名空间：

import { PineconeStore } from "@langchain/pinecone";
// 研究员的知识库
const researchVectorStore = await PineconeStore.fromExistingIndex(
embeddings,
{
pineconeIndex:index,
namespace:"public-research",//命名空间隔离
}
);
//财务Agent的知识库
const financeVectorStore = await PineconeStore.fromExistingIndex(
embeddings,
{
pineconeIndex:index,
namespace:"confidential-finance",//不同的命名空间 
}
);

内容创作工作流 :通过“研究 →写作 →编辑 ”的串行多 flowchart LR A --> B B --> C C --> D D --> E style A fill:#e8f4fd,stroke:#1890ff style B fill:#fff7e6,stroke:#fa8c16 style C fill:#f6ffed,stroke:#52c41a

智Neng客服系统 :通过 Supervisor模式实现动态任务分配 flowchart TB Supervisor -->|"委托"| Worker1 Supervisor -->|"委托"| Worker2 Supervisor -->|"委托"| Worker3 Worker1 -->|"汇报"| Supervisor Worker2 -->|"汇报"| Supervisor Worker3 -->|"汇报"| Supervisor Supervisor -->|"任务完成"| End style Supervisor fill:#fff7e6,stroke:#fa8c16,stroke-width:px style Worker1 fill:#e8f4fd,stroke:#1890ff style Worker2 fill:#e8f4fd,stroke:#1890ff style Worker3 fill:#e8f4fd,stroke:#1890ff

并行搜索与汇总 :多个搜索 async function parallelNode { const userQuery state.messages.at?.content;