智能体架构 -- 多智能体系统，组专家团队

想象一下，你接了个活：给一家热门公司（比如英伟达）写一份全面的市场分析报告，要涵盖新闻情绪、技术走势、财务表现三个维度。你会怎么办？是把任务丢给一个“什么都会一点”的全能助手，让他从头查到尾，给你一份“大杂烩”式的报告；还是组一个精干的团队：一个新闻分析师负责盯舆情，一个技术分析师专攻K线图，一个财务分析师死磕财报，最后让主编整合出一份专业、深入、结构清晰的终稿？

答案显而易见。但在AI智能体的世界里，我们常常不自觉地选择了前者——构建一个拥有“万能工具”的单一智能体，让它去处理所有事情。结果呢？就像我们今天的基线测试一样，报告能用，但总感觉差了点意思。

今天，我们来聊聊一种更强大、更符合人类协作模式的架构：多智能体系统（Multi-Agent System）。我们将从一个“通才型”AI开始，看它如何勉强完成任务；然后，我们将亲手组建一支由新闻分析师、技术分析师、财务分析师和报告撰写人组成的“AI专家团队”，看看专业分工带来的“降维打击”究竟有多震撼。

推荐阅读：

智能体架构 -- 反思模式，让AI自己当代码审查员

智能体架构 -- 工具使用，秒变真·智能助手

智能体架构 -- ReAct，让AI学会“三思而后行”

智能体架构 -- 反思性元认知智能体，让AI学会“三省吾身”

智能体架构 -- 规划架构，让你的智能体效率翻倍！

什么是多智能体系统？

在技术世界里，多智能体系统就是把一个复杂任务，拆解给多个各有专长的AI智能体去协同完成。就像我们开篇说的团队作战一样。

它如何工作？

1. 任务分解：一个“指挥官”或用户提供一个复杂任务，比如“为英伟达生成市场分析报告”。
2. 角色分工：系统根据每个智能体预定义的专业角色（如“新闻专家”“技术图表专家”“财报专家”），把任务分派下去。
3. 协作执行：各个专家智能体并行或按顺序执行自己的任务。它们可能独立工作，也可能互相传递信息。
4. 结果合成：最后，一个“主编”或“合成器”智能体，将所有专家的输出整合成一份结构完整、逻辑清晰的最终报告。

它擅长做什么？

• 复杂报告生成：需要融合财务、技术、政策等多领域知识的报告。
• 软件开发流程模拟：构建一个包含程序员、代码审查员、测试员和项目经理的虚拟开发团队。
• 创意头脑风暴：让几个“性格”迥异的AI（一个乐观派，一个悲观派，一个天马行空派）一起碰撞，产生更丰富的创意。

优势与局限

优势：

• 专业与深度：每个智能体可以为其专业领域深度优化，产出质量远超“通才”。
• 模块化与扩展性：想增加新的分析维度？直接加一个专家智能体就行，不用动整个系统。
• 并行处理：多个专家可以同时开工，理论上能缩短任务总耗时。

局限：

• 协调复杂：管理多个智能体之间的通信和工作流，设计上比单一智能体复杂。
• 成本与延迟：多次调用LLM意味着更高的API成本和更长的处理时间。

动手实战：从“单兵作战”到“专家团队”

我们开始写代码。整个流程分为四步：先搭建基线（单一智能体），再构建多智能体团队，最后让它们PK并量化评估。

阶段 0：准备工作

老规矩，先安装依赖，配置好API密钥（Nebius、LangSmith、Tavily）。

# 安装依赖库
# !pip install -q -U langchain-nebius langchain langgraph rich python-dotenv langchain-tavily

import os
from typing import List, Annotated, TypedDict, Optional
from dotenv import load_dotenv

# LangChain 核心
from langchain_nebius import ChatNebius
from langchain_tavily import TavilySearch
from langchain_core.messages import BaseMessage, SystemMessage, HumanMessage
from pydantic import BaseModel, Field
from langchain_core.prompts import ChatPromptTemplate

# LangGraph 工作流
from langgraph.graph import StateGraph, END
from langgraph.graph.message import AnyMessage, add_messages
from langgraph.prebuilt import ToolNode, tools_condition

# 美化打印
from rich.console import Console
from rich.markdown import Markdown

# --- API密钥和追踪 ---
load_dotenv()
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "Agentic Architecture - Multi-Agent (Nebius)"

for key in ["NEBIUS_API_KEY", "LANGCHAIN_API_KEY", "TAVILY_API_KEY"]:
ifnot os.environ.get(key):
        print(f"⚠️ 未找到 {key}，请检查.env文件。")
else:
        print(f"✅ {key} 已加载")

console = Console()
print("\n🚀 环境就绪！")

阶段 1：基线测试 - 一个“通才型”智能体

我们先造一个什么都能干一点的“万能”AI，给它一个网络搜索工具，让它去完成我们的分析任务。

# 定义共享状态
classAgentState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

# 定义工具和LLM
search_tool = TavilySearch(max_results=3, name="web_search")
llm = ChatNebius(model="meta-llama/Meta-Llama-3.1-8B-Instruct", temperature=0)
llm_with_tools = llm.bind_tools([search_tool])

# 定义单一智能体节点
defmonolithic_agent_node(state: AgentState):
    console.print("--- 🤔 单一智能体：思考中... ---")
    response = llm_with_tools.invoke(state["messages"])
return {"messages": [response]}

# 构建ReAct图
tool_node = ToolNode([search_tool])
mono_graph_builder = StateGraph(AgentState)
mono_graph_builder.add_node("agent", monolithic_agent_node)
mono_graph_builder.add_node("tools", tool_node)
mono_graph_builder.set_entry_point("agent")
# 条件边：根据是否调用工具，决定下一步
mono_graph_builder.add_conditional_edges("agent", tools_condition, {"tools": "tools", "__end__": END})
mono_graph_builder.add_edge("tools", "agent")

monolithic_agent_app = mono_graph_builder.compile()
print("✅ 单一'通才型'智能体编译成功。")

让它试试水

给它一个包含三个维度的任务，看看它的表现。

company = "英伟达 (NVIDIA, NVDA)"
monolithic_query = f"为 {company} 创建一份简洁但全面的市场分析报告。报告应包含三个部分：1. 近期新闻和市场情绪摘要。2. 对该股价格趋势的基础技术分析。3. 审视公司近期的财务表现。"

console.print(f"\n🎯 [bold yellow]测试单一智能体处理多层面任务:[/bold yellow]\n'{monolithic_query}'\n")

final_mono_output = monolithic_agent_app.invoke({
"messages": [
        SystemMessage(content="你是一位资深的单一金融分析师。你必须创建一份全面的报告，涵盖用户请求的所有方面。"),
        HumanMessage(content=monolithic_query)
    ]
})

console.print("\n--- [bold red]单一智能体最终报告[/bold red] ---")
console.print(Markdown(final_mono_output['messages'][-1].content))

结果怎么样？ 这份报告可能还行，但大概率存在这些硬伤：

• 结构模糊：新闻、技术、财务几个部分可能搅在一起，没有清晰的分界和专业的格式。
• 分析浅尝辄止：试图面面俱到，导致每个部分都只是泛泛而谈，缺乏领域深度。
• 语气“万金油”：语言风格统一，缺少不同专业领域应有的术语和关注点。

这就是我们的“基准线”。能用，但不够好。接下来，我们换“团队作战”。

阶段 2：进阶方法 - 组建AI专家团队

现在，我们来打造一个明星团队。每个成员都是某个领域的专家，并且有自己独特的“人设”和输出格式要求。

# 多智能体系统的专用状态，用来存放各个专家的报告
classMultiAgentState(TypedDict):
    user_request: str
    news_report: Optional[str]      # 新闻分析师产出
    technical_report: Optional[str] # 技术分析师产出
    financial_report: Optional[str] # 财务分析师产出
    final_report: Optional[str]     # 最终整合报告

defcreate_specialist_node(persona: str, output_key: str):
"""工厂函数，快速创建专业智能体节点。"""
    system_prompt = persona + "\n\n你可以使用网络搜索工具。你的输出必须是一份简洁的报告章节，使用 markdown 格式，并且只关注你自己的专业领域。"

# 使用 ChatPromptTemplate 让提示更清晰
    prompt_template = ChatPromptTemplate.from_messages([
        ("system", system_prompt),
        ("human", "{user_request}")
    ])
    agent = prompt_template | llm_with_tools

defspecialist_node(state: MultiAgentState):
        console.print(f"--- 📊 调用 {output_key.replace('_report','').upper()} 分析师 ---")
        result = agent.invoke({"user_request": state["user_request"]})
# 处理可能只有工具调用、没有直接文本输出的情况
        content = result.content if result.content elsef"无直接内容，工具调用: {result.tool_calls}"
return {output_key: content}
return specialist_node

# 创建三位专家
news_analyst_node = create_specialist_node(
"你是一位资深的新闻分析师。你的专长是搜索网络，寻找关于一家公司的最新新闻、文章和社交媒体情绪。",
"news_report"
)
technical_analyst_node = create_specialist_node(
"你是一位资深的技术分析师。你专门分析股票价格图表、趋势和技术指标。",
"technical_report"
)
financial_analyst_node = create_specialist_node(
"你是一位资深的财务分析师。你专门解读财务报表和业绩指标。",
"financial_report"
)

defreport_writer_node(state: MultiAgentState):
"""主编节点：负责整合专家报告。"""
    console.print("--- 📝 调用报告撰写人 ---")
    prompt = f"""你是一位资深的金融编辑。你的任务是将以下专家报告合并成一份专业、连贯、完整的市场分析报告。请添加简短的开头和结尾段落。

    新闻与情绪报告:
{state['news_report']}

    技术分析报告:
{state['technical_report']}

    财务表现报告:
{state['financial_report']}
    """
    final_report = llm.invoke(prompt).content
return {"final_report": final_report}

print("✅ 专业智能体节点和报告撰写人节点定义完成。")

组装团队工作流

我们将这四位成员（三位专家 + 一位主编）按顺序串联起来。在实际应用中，专家们甚至可以并行工作，这里为了演示清晰，我们按顺序执行。

multi_agent_graph_builder = StateGraph(MultiAgentState)

# 添加所有节点
multi_agent_graph_builder.add_node("news_analyst", news_analyst_node)
multi_agent_graph_builder.add_node("technical_analyst", technical_analyst_node)
multi_agent_graph_builder.add_node("financial_analyst", financial_analyst_node)
multi_agent_graph_builder.add_node("report_writer", report_writer_node)

# 定义工作流顺序：新闻 -> 技术 -> 财务 -> 主编
multi_agent_graph_builder.set_entry_point("news_analyst")
multi_agent_graph_builder.add_edge("news_analyst", "technical_analyst")
multi_agent_graph_builder.add_edge("technical_analyst", "financial_analyst")
multi_agent_graph_builder.add_edge("financial_analyst", "report_writer")
multi_agent_graph_builder.add_edge("report_writer", END)

multi_agent_app = multi_agent_graph_builder.compile()
print("✅ 多智能体专家团队编译成功。")

阶段 3：对比测试

现在，让我们的专家团队执行和之前一模一样的任务，然后对比两份报告的差异。

multi_agent_query = f"为 {company} 创建一份简洁但全面的市场分析报告。"
initial_multi_agent_input = {"user_request": multi_agent_query}

console.print(f"\n🎯 [bold green]测试多智能体团队处理相同任务:[/bold green]\n'{multi_agent_query}'\n")

final_multi_agent_output = multi_agent_app.invoke(initial_multi_agent_input)

console.print("\n--- [bold green]多智能体团队最终报告[/bold green] ---")
console.print(Markdown(final_multi_agent_output['final_report']))

结果会是什么？ 差异是肉眼可见的：

• 结构清晰：报告被清晰地分为“新闻情绪”“技术分析”“财务表现”三大块，每部分都有专业小标题。
• 分析深入：新闻分析师会引用具体消息源，技术分析师会提到“移动平均线”“支撑位”等术语，财务分析师会聚焦“营收”“毛利率”等关键指标。每个部分都更有“专家味”。
• 专业感强：最终报告由主编整合后，有引言、正文、结论，读起来像一份正式的机构研报，而非AI的简单拼凑。

阶段 4：让AI评委打分

为了更客观地证明差异，我们让“大语言模型”作为评委，从结构清晰度、分析深度、内容完整性三个维度，给两份报告打分。

classReportEvaluation(BaseModel):
    clarity_and_structure_score: int = Field(description="报告的组织、结构和清晰度，1-10分。")
    analytical_depth_score: int = Field(description="每个部分的分析深度和质量，1-10分。")
    completeness_score: int = Field(description="报告满足用户所有需求的程度，1-10分。")
    justification: str = Field(description="打分理由。")

judge_llm = llm.with_structured_output(ReportEvaluation)

defevaluate_report(query: str, report: str):
    prompt = f"""你是一位金融分析报告评审专家。请根据结构、深度和完整性，对以下报告进行1-10分的评估。

    **原始用户请求:**
{query}

    **待评估报告:**\n
{report}
    """
return judge_llm.invoke(prompt)

console.print("--- 📊 评估单一智能体报告 ---")
mono_agent_evaluation = evaluate_report(monolithic_query, final_mono_output['messages'][-1].content)
console.print(mono_agent_evaluation.model_dump())

console.print("\n--- 📊 评估多智能体团队报告 ---")
multi_agent_evaluation = evaluate_report(multi_agent_query, final_multi_agent_output['final_report'])
console.print(multi_agent_evaluation.model_dump())

打分结果毫无悬念：多智能体团队的报告在结构清晰度和分析深度上会获得压倒性高分。评委的理由也会很直接：因为每个部分都由真正的“专家”完成，所以细节更扎实、逻辑更自洽。

写在最后

通过这场“单兵”与“团队”的实战对比，我们清晰地看到了专业分工的力量。就像人类社会中，你不会让一个外科医生去审计财务报表一样，在AI世界里，把复杂任务拆解给多个专家，是获得高质量、结构化结果的必然选择。

核心回顾

1. 原理：多智能体系统通过“分而治之”的思想，模拟了人类专家的协作模式。
2. 实践：我们亲手构建了一支由新闻、技术、财务分析师和主编组成的AI专家团队，并证明了其产出远胜单一“通才”AI。
3. 避坑：这种架构的代价是更高的设计复杂度和运行成本。但在需要专业深度和严谨结构的场景下，这个投入是完全值得的。

架构选择没有银弹。但当你的任务需要跨越多个专业领域、追求深度与权威性时，请记住：是时候给你的AI系统，也组建一支“专家团队”了。

在你的工作或项目中，有没有遇到哪些任务，你觉得让一个“万能AI”去做就是大材小用，或者根本做不好的？你会怎么给它设计一个“专家团队”？欢迎在评论区展开你的脑洞！