LangChain 多 Agent

当一个任务太复杂，单个 Agent 难以胜任时，你可以创建多个各司其职的 Agent，让它们像团队一样协作。

为什么需要多 Agent

单个 Agent 的问题：

system_prompt 太长会导致模型注意力分散
工具太多会增加模型选择工具的出错概率
不同类型的任务需要不同的专业知识和行为风格

多 Agent 的方案：每个 Agent 专注于一个领域，通过协作完成复杂任务。

方式 1：子 Agent 作为工具

将 Agent 编译成 CompiledStateGraph，然后作为一个工具注册给父 Agent：

实例

from dotenv import load_dotenv
load_dotenv()

from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)

# 子 Agent 1：天气专家
@tool
def get_weather(city: str) -> str:
"""查询天气"""
data = {"杭州": "晴，25°C", "北京": "多云，18°C"}
return data.get(city, f"{city}: 数据暂缺")

weather_agent = create_agent(
model=model,
tools=[get_weather],
name="weather_expert", # 名字用于标识和日志
system_prompt="你是天气专家，专门回答天气相关问题。回答要简洁。",
)

# 子 Agent 2：计算专家
@tool
def calculate(expression: str) -> str:
"""计算数学表达式"""
result = eval(expression, {"__builtins__": {}}, {})
return f"{expression} = {result}"

math_agent = create_agent(
model=model,
tools=[calculate],
name="math_expert",
system_prompt="你是数学专家，专门进行数学计算。回答要简洁。",
)

# 父 Agent：协调者
# 将子 Agent 作为工具注册
@tool
def ask_weather_expert(question: str) -> str:
"""向天气专家咨询天气相关问题。

Args:
question: 关于天气的问题
"""
result = weather_agent.invoke(
{"messages": [HumanMessage(content=question)]}
)
return result["messages"][-1].content

@tool
def ask_math_expert(question: str) -> str:
"""向数学专家咨询数学计算问题。

Args:
question: 数学计算问题
"""
result = math_agent.invoke(
{"messages": [HumanMessage(content=question)]}
)
return result["messages"][-1].content

coordinator = create_agent(
model=model,
tools=[ask_weather_expert, ask_math_expert],
system_prompt="""你是协调助手。根据用户问题选择合适的专家：
- 天气相关问题 → 使用 ask_weather_expert
- 数学计算问题 → 使用 ask_math_expert
- 如果同时涉及多个领域，依次咨询各个专家""",
)

# 测试复合问题
result = coordinator.invoke({
"messages": [HumanMessage(
content="杭州今天天气怎么样？如果温度是 25 度，换算成华氏度是多少？"
"（公式：华氏度 = 摄氏度 × 9/5 + 32）"
)]
})
print(result["messages"][-1].content)

运行结果：

根据天气专家的查询，杭州今天晴天，气温25°C。
换算成华氏度：25 × 9/5 + 32 = 77°F。
所以杭州今天25°C，相当于77°F，天气晴好。

方式 2：用 name 参数区分 Agent

当你将子 Agent 作为工具嵌入时，设置 name 参数有助于追踪消息来源：

实例

# name 参数的作用：
# 1. 编译后的图中使用该名称
# 2. 作为子图节点嵌入父图时使用该名称
# 3. 所有 AI 消息被标记为该名称

agent = create_agent(
model=model,
tools=[...],
name="customer_service", # 给 Agent 命名
)

方式 3：Middleware 实现 Agent 路由

更复杂的多 Agent 场景可以通过 Middleware 实现动态路由：

实例

from langchain.agents.middleware import before_model

# 定义不同专家使用的工具集
general_tools = [tool_a, tool_b]
admin_tools = [tool_c, tool_d]

@before_model
def route_by_user_role(state, runtime):
"""根据用户角色动态切换可用工具"""
context = runtime.context
if context is None:
return None

user_role = context.get("user_role", "user")

# 不同角色看到不同的工具
if user_role == "admin":
available_tools = general_tools + admin_tools
else:
available_tools = general_tools

# 注意：before_model 不能直接修改 tools，
# 需要配合 wrap_model_call 或 request.override 来实现
return None

多 Agent 架构模式

模式	结构	适用场景
协调者模式	一个父 Agent → 多个子 Agent 工具	任务类型明确可分类
接力模式	Agent A 的输出 → Agent B 的输入	流水线式处理（生成→审核→润色）
辩论模式	多个 Agent 并行输出 → 汇总决策	需要多角度分析的问题

多 Agent 系统增加了复杂度和 Token 消耗。不要为了"多 Agent"而多 Agent——先用单个 Agent + 良好设计的 system_prompt 和 Middleware 解决问题。只有当确实需要领域隔离或独立上下文时，才引入多 Agent。

返回顶部

菜鸟教程