其实多智能提类似mcp一样，都是放置到prompt由llm来决策驱动。

原文链接：LangGraph: Multi-Agent Workflows

• Python Examples
• JS Examples
• YouTube

上周，我们重点介绍了 LangGraph—— 这是一个全新的软件包（支持 Python 和 JavaScript 双语言），旨在更便捷地创建包含循环结构的大语言模型（LLM）工作流，而循环结构正是大多数智能体运行时的核心组件。在发布之初，我们展示了两个简单的运行时：一个等同于 LangChain 库中的 AgentExecutor，另一个则是针对消息传递和对话模型的优化版本。

如今，我们非常兴奋地推出 LangGraph 的第二类核心用例 —— 多智能体工作流。本文将涵盖以下内容：

• “多智能体” 的定义是什么？
• 为何 “多智能体” 工作流具有重要价值？
• 三个使用 LangGraph 构建多智能体工作流的具体示例
• 两个基于 LangGraph 开发的第三方多智能体应用案例（GPT-Newspaper 和 CrewAI）
• 与其他框架（Autogen 和 CrewAI）的对比

1 什么是 “Mulit-Agent”？

当我们谈论 “多智能体” 时，指的是由多个独立的、由语言模型驱动的主体（actor）通过特定方式连接而成的系统。

每个智能体都可以拥有专属的提示词（prompt）、大语言模型（LLM）、工具集以及其他自定义代码，以实现与其他智能体的高效协作。

这意味着在设计不同的多智能体工作流时，需要重点考虑两个核心问题：

• 涉及哪些独立的智能体？
• 这些智能体如何连接？

这种设计思路与图结构表示法高度契合 —— 这正是 LangGraph 的核心优势所在。在该模式下，每个智能体作为图中的一个节点（node），智能体之间的连接关系作为边（edge）；控制流通过边进行管理，而智能体之间的通信则通过更新图的状态（state）来实现。

注：与此密切相关的概念是状态机（state machines），我们明确将其归为认知架构的一种类型。从状态机的视角来看，独立的智能体节点即为 “状态”，而智能体之间的连接方式则构成 “转移矩阵”。由于状态机本质上可视为一种带标签的有向图，因此我们将采用统一的图结构思维进行理解。

2 Mulit-Agent设计的优势

“既然单个智能体可能无法高效完成任务，为何多智能体设计仍具有价值？”

• 工具 / 职责分组提升效果：专注于单一任务的智能体，相比需要从数十种工具中选择的全能型智能体，成功率更高。
• 独立提示词优化性能：每个智能体可配置专属的指令集和少量示例（few-shot examples），甚至可采用不同的微调大语言模型提供动力。
• 开发逻辑更清晰：可对单个智能体进行独立评估和优化，而不会影响整个应用系统的稳定性。
• 复杂问题拆解：多智能体设计能够将复杂任务分解为可处理的工作单元，由专业智能体和大语言模型程序分别攻克。

3 Multi-Agent示例

我们已在 LangGraph 代码仓库中添加了三个独立的多智能体工作流示例。每个示例对上述两个核心问题（智能体构成与连接方式）都给出了略有不同的答案，下文将逐一解析。需要说明的是，这三个示例仅为众多可能场景中的一小部分 —— 我们相信社区还会探索出更多创新用法，对此我们充满期待！

多智能体协作（Multi-Agent Collaboration）

1、示例代码：

• Python
• JS

在该示例中，不同智能体通过共享消息草稿本（scratchpad）进行协作。这意味着任一智能体的操作都会被其他智能体可见，其优势在于所有智能体都能追踪完整的执行步骤；但缺点是有时会传递过多冗余信息，实际上可能仅需共享某个智能体的最终结果即可。我们将这种模式称为 “协作”，核心在于消息草稿本的共享特性。
2、智能体构成

此处的独立智能体本质上是单次大语言模型调用，具体由特定的提示词模板（按照特定系统消息格式化输入内容）与大语言模型调用组合而成。

3、连接方式

智能体连接关系可视化如下：

 

状态转移的核心控制组件是路由器（router），但这是一个基于规则的简单路由器：每次大语言模型调用后，会检查输出结果 —— 若触发工具调用，则执行相应工具；若未触发工具且输出 “最终答案”，则向用户返回结果；否则（未触发工具且未输出 “最终答案”），将任务转交给另一个大语言模型。

智能体监督器（Agent Supervisor）

1、示例代码

• Python
• JS

该示例中，多个智能体相互连接，但与上述协作模式不同：它们不共享草稿本，而是各自拥有独立的草稿本，仅将最终响应结果追加到全局草稿本中。

2、智能体构成

此处的独立智能体是 LangChain 智能体，即每个智能体都拥有专属的提示词、大语言模型和工具集。调用智能体时，并非单次大语言模型调用，而是执行完整的 AgentExecutor 运行流程。

3、连接方式

由一个 “智能体监督器”（Supervisor）负责将任务路由至各个独立智能体。

从这个角度看，监督器本身也可视为一个特殊的智能体 —— 其 “工具” 就是其他智能体！

分层智能体团队（Hierarchical Agent Teams）

1、示例代码

• Python
• JS

该示例与上述智能体监督器模式类似，但节点中的智能体本身是其他 LangGraph 对象。相比使用 LangChain 的 AgentExecutor 作为智能体运行时，这种设计提供了更高的灵活性。我们称之为 “分层团队”，因为子智能体可被视为独立的协作小组。

2、智能体构成

独立智能体为其他 LangGraph 智能体（即嵌套的 LangGraph 对象）。

3、连接方式

由一个监督智能体（Supervisor）负责连接各个子智能体。

4 YouTube 详细讲解

我们已上传 YouTube 视频，详细演示上述三个示例的实现过程。希望能帮助大家更轻松地理解这些复杂概念！

5 第三方应用案例

随着本次功能发布，我们也很高兴向大家介绍几个基于 LangGraph 构建的多智能体应用。

GPT-Newspaper

该项目由 GPT-Researcher 团队开发，是一款创新性的自主智能体应用，旨在为用户生成个性化报纸。GPT-Newspaper 通过 AI 技术根据用户的个人喜好和兴趣，实现新闻内容的筛选、撰写、设计和编辑，彻底革新了新闻消费方式。其架构包含六个专业子智能体，核心环节之一是 “撰稿人↔评论员” 循环（writer <> critique loop），该循环引入了高效的迭代机制。

6 其他框架对比

LangGraph 并非首个支持多智能体工作流的框架，这些框架的核心差异主要体现在所引入的思维模型和核心概念上。

Autogen

Autogen 可视为最早的多智能体框架之一。LangGraph 与 Autogen 在思维模型上的最大差异在于智能体的构建方式：LangGraph 倾向于明确定义不同智能体及状态转移概率，并以图结构呈现；而 Autogen 更倾向于将多智能体交互定义为 “对话”。我们认为，“图结构” 的表述方式更直观，能为开发者构建复杂、定制化的工作流提供更优的开发体验（尤其是需要精确控制节点间转移概率的场景），同时也支持无法通过 “对话” 模式直接实现的工作流。

另一关键差异是 LangGraph 与 LangChain 生态系统的深度集成 —— 开发者可充分利用 LangChain 的各类集成工具和 LangSmith 的可观测性功能。

CrewAI

CrewAI 是近期备受关注的多智能体 “团队” 构建框架。与 LangGraph 相比，CrewAI 属于更高层级的框架，而 LangGraph 为智能体提供了更精细的底层控制能力