LangGraph Multi-Agent Supervisor工作原理，附实践教程

极客见识2025年02月16日约 5 分钟

2025，大家都在说是 Agents 爆发的关键一年，在不断发展的软件开发环境中，Agent 系统正在逐渐游戏规则，实现自动化、提高效率并简化工作流程。

LangGraph Multi-Agent Supervisor 通过模块化、可扩展和结构化的 Agents 编排简化了 AI 驱动的开发。

LangGraph Multi-Agent Supervisor 就是这样一个突破性的框架，它提供了一种结构化和模块化的方法，用于在应用程序中编排多个代理。

本片文章将探讨 LangGraph Multi-Agent Supervisor 的工作原理，它与其他多智能体系统有什么不同，以及如何通过实际案例实现它。

01 主要亮点

编排智能代理：了解 LangGraph 如何实现结构化且高效的基于代理的系统。
自动化工作流程：了解它如何通过自动执行复杂的决策任务来简化开发。
模块化和控制：理解为什么LangGraph以其基于图形的架构和明确的任务委派而脱颖而出。
与其他框架的比较：了解 LangGraph 与 CrewAI、AutoGen 和 OpenAI Swarm 的对比情况。
分步实施指南：按照详细的演练在你的项目中实施 LangGraph。

02 什么是 Agentic Systems

代理系统涉及独立执行任务、做出决策并与其他代理协作的自主实体（代理）。

这些代理可以分析数据、从模式中学习并适应不断变化的环境，这使得它们在现代应用程序开发中至关重要。

代理系统在软件开发中的主要优势

重复性任务的自动化：减少人工工作并提高效率。
提高生产力：开发人员可以专注于创造性地解决问题，而不是平凡的任务。
适应性：代理可以处理动态和不断变化的应用程序需求。
增强决策：AI 驱动的代理可以提供智能见解。
协作工作流程：多个代理协同工作，无缝完成复杂的流程。

03 LangChain 如何简化开发

LangChain 是一个框架，可简化由大型语言模型（LLM）提供支持的应用程序的开发。

通过提供模块化和可组合的架构，LangChain 使开发者能够构建可利用各种数据源和 API 的上下文感知推理应用程序。

LangChain 的主要优势：

标准化组件接口：允许开发人员在不更改底层代码的情况下交换不同的组件提供程序，从而确保灵活性。
与各种语言模型无缝集成：支持多个 LLM，从而优化性能。
提高生产力：自动执行工作流和重复性任务，使开发人员能够专注于更高级别的问题解决。
可扩展性和模块化：鼓励使用模块化组件的可扩展架构。
全面的文档和社区支持：提供广泛的学习资源和活跃的开发人员社区。

总之，LangChain 简化了高效构建复杂的 AI 驱动应用程序的过程。

04 什么是 LangGraph Multi-Agent Supervisor

LangGraph Multi-Agent Supervisor 是一个框架，用于协调系统内的多个专用代理。

与传统的多智能体系统不同，LangGraph 的 Supervisor 可确保：

分层控制：中央主管代理管理专业代理之间的任务流。
模块化：开发人员可以创建为特定角色量身定制的独立代理。
显式工作流程控制：基于图形的架构支持对座席交互的精确控制。
与 LangChain 集成：与 AI 驱动的工具和 API 无缝连接。

LangGraph 与其他代理框架有什么不同？

LangGraph Multi-Agent Supervisor 凭借其结构化和模块化的方法将自己与其他多代理框架区分开来。

以下是对比分析：

主要区别

与其他框架相比的优势

更好的工作流管理：LangGraph 提供基于图形的工作流执行，这与依赖动态编排的 AutoGen 或 CrewAI 不同。
显式任务委派：LangGraph 中的 supervisor agent 确保任务分布清晰，减少歧义。
模块化和可扩展性：LangGraph 鼓励模块化代理设计，从而轻松扩展和扩展应用程序。
改进的调试和控制：结构化特性允许确定性执行，与OpenAI Swarm相比，减少了不可预测的行为。

LangGraph Multi-Agent Supervisor 提供了显式控制和确定性工作流，使其成为结构化应用程序开发的绝佳选择。

05 实现方法

如何实现 LangGraph Multi-Agent Supervisor 系统，并为不同的任务提供专门的代理。

a. 安装所需的库

首先，安装必要的依赖项：

pip install langgraph-supervisor langchain-openai

b. 设置 API 密钥

确保ni 的 OpenAI API 密钥已设置：

import osos.environ["OPENAI_API_KEY"] = "<your_openai_api_key>"

c. 导入所需模块

from langchain_openai import ChatOpenAIfrom langgraph_supervisor import create_supervisorfrom langgraph.prebuilt import create_react_agent

d. 初始化语言模型

model = ChatOpenAI(model="gpt-4O")

e. 定义专用代理

在这里，我们创建了两个代理：一个用于数学计算，另一个用于 Web 研究。

# Math Expert Agentdef add(a: float, b: float) -> float:    """Add two numbers."""    return a + b
def multiply(a: float, b: float) -> float:    """Multiply two numbers."""    return a * b
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 Expert Agentdef web_search(query: str) -> str:    """Search the web for information."""    return "Search results for your query."
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.")

f. 创建主要工作流

让使用上述两个代理创建 supervisor 工作流：

# 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."    )))

g. 编译并运行完整的工作流程

最后一步，我们需要编译并运行完整的工作流并检查输出：

# Compile and runapp = workflow.compile()result = app.invoke({    "messages": [        {            "role": "user",            "content": "What's the combined headcount of the FAANG companies in 2024?"        }    ]})