LangGraph 多 Agent 架构与 Supervisor 模式-程序员充电站

LangGraph 多 Agent 架构与 Supervisor 模式

核心观点：当一个 Agent 的工具太多、上下文太复杂、需要多个专业领域时，就该拆成多 Agent 系统了。Supervisor 模式是多 Agent 架构中最实用的一种——一个"主管"Agent 负责调度，多个"专家"Agent 各司其职。

一、为什么需要多 Agent 系统？

二、多 Agent 架构全景图

LangGraph 定义了四种多 Agent 架构：

三、Supervisor 模式详解

3.1 架构原理

核心流程：

用户请求进入 Supervisor
Supervisor 分析请求，决定调用哪个 Agent
被调用的 Agent 执行任务，返回结果给 Supervisor
Supervisor 判断是否需要继续调用其他 Agent，或给出最终答案

3.2 手动实现 Supervisor

import{StateGraph,MessagesAnnotation,Command,}from"@langchain/langgraph";import{ChatOpenAI}from"@langchain/openai";constmodel=newChatOpenAI({model:"gpt-4o-mini"});// ─── Supervisor 节点 ───constsupervisor=async(state:typeofMessagesAnnotation.State)=>{// 让 LLM 决定下一个调用哪个 Agentconstresponse=awaitmodel.withStructuredOutput(...).invoke(...);// 路由到指定 Agent，或结束returnnewCommand({goto:response.next_agent,// "agent1" / "agent2" / "__end__"});};// ─── Agent 1 ───constagent1=async(state:typeofMessagesAnnotation.State)=>{constresponse=awaitmodel.invoke(...);returnnewCommand({goto:"supervisor",// 完成后回到 Supervisorupdate:{messages:[response]},});};// ─── Agent 2 ───constagent2=async(state:typeofMessagesAnnotation.State)=>{constresponse=awaitmodel.invoke(...);returnnewCommand({goto:"supervisor",update:{messages:[response]},});};// ─── 组装 Graph ───constgraph=newStateGraph(MessagesAnnotation).addNode("supervisor",supervisor,{ends:["agent1","agent2","__end__"],}).addNode("agent1",agent1,{ends:["supervisor"],}).addNode("agent2",agent2,{ends:["supervisor"],}).addEdge("__start__","supervisor").compile();

关键点：

Supervisor 是唯一的决策者，所有 Agent 只和 Supervisor 通信
Agent 完成后必须goto: "supervisor"，回到决策中枢
Supervisor 可以goto: "__end__"结束整个流程

3.3 使用 @langchain/langgraph-supervisor 包

LangGraph 官方提供了@langchain/langgraph-supervisor包，一行代码创建 Supervisor 架构：

import{ChatOpenAI}from"@langchain/openai";import{createSupervisor}from"@langchain/langgraph-supervisor";import{createReactAgent}from"@langchain/langgraph/prebuilt";import{tool}from"@langchain/core/tools";import{z}from"zod";constmodel=newChatOpenAI({modelName:"gpt-4o"});// ─── 创建专家 Agent ───constadd=tool(async(args)=>args.a+args.b,{name:"add",description:"Add two numbers.",schema:z.object({a:z.number(),b:z.number()}),});constmultiply=tool(async(args)=>args.a*args.b,{name:"multiply",description:"Multiply two numbers.",schema:z.object({a:z.number(),b:z.number()}),});constwebSearch=tool(async(args)=>{return"Here are the headcounts for each FAANG company in 2024:\n"+"1. Facebook (Meta): 67,317 employees.\n"+"2. Apple: 164,000 employees.\n"+"3. Amazon: 1,551,000 employees.\n"+"4. Netflix: 14,000 employees.\n"+"5. Google (Alphabet): 181,269 employees.";},{name:"web_search",description:"Search the web for information.",schema:z.object({query:z.string()}),});// 数学专家 AgentconstmathAgent=createReactAgent({llm:model,tools:[add,multiply],name:"math_expert",prompt:"You are a math expert. Always use one tool at a time.",});// 研究专家 AgentconstresearchAgent=createReactAgent({llm:model,tools:[webSearch],name:"research_expert",prompt:"You are a world class researcher with access to web search. Do not do any math.",});// ─── 创建 Supervisor ───constworkflow=createSupervisor({agents:[researchAgent,mathAgent],llm: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.",});// ─── 运行 ───constapp=workflow.compile();constresult=awaitapp.invoke({messages:[{role:"user",content:"what's the combined headcount of the FAANG companies in 2024??",},],});

执行流程：

四、Agent 之间的通信方式

4.1 共享消息列表（Shared Message List）

最常用方式：所有 Agent 共享一个消息列表，通过读写这个列表来协作。

// 所有 Agent 共享 MessagesAnnotation 中的 messages 字段constgraph=newStateGraph(MessagesAnnotation).addNode("agent1",agent1).addNode("agent2",agent2)// ...

两种共享策略：

策略一：共享完整历史（Share Full History） → 所有 Agent 看到完整的思考过程 → 优点：帮助其他 Agent 做出更好决策 → 缺点：上下文快速增长，需要记忆管理 策略二：只共享最终结果（Share Final Result） → 每个 Agent 有自己的私有"草稿纸" → 只把最终结果放入共享消息列表 → 优点：上下文可控，适合多 Agent 场景 → 缺点：丢失中间推理过程

4.2 不同 State Schema

不同 Agent 可能需要不同的 State 结构。LangGraph 提供两种方式：

方式一：Subgraph 独立 State → 子图有独立的 State Schema → 通过 input/output transformation 与父图通信 方式二：私有输入 State → Agent 节点函数有独立的私有 State → 只接收它需要的信息

五、多层级层级架构

Supervisor 可以嵌套 Supervisor，形成多层级架构：

// 第一层：研究团队constresearchTeam=createSupervisor({agents:[researchAgent,mathAgent],llm:model,}).compile({name:"research_team"});// 第一层：写作团队constwritingTeam=createSupervisor({agents:[writingAgent,publishingAgent],llm:model,}).compile({name:"writing_team"});// 第二层：顶层 SupervisorconsttopLevelSupervisor=createSupervisor({agents:[researchTeam,writingTeam],llm:model,}).compile({name:"top_level_supervisor"});

架构示意：

六、实战：构建一个多 Agent 研究助手

6.1 需求

用户: "帮我研究一下 2024 年 AI 领域的最新进展， 并写一份总结报告" 需要： 1. 搜索最新 AI 新闻 2. 整理和分析信息 3. 撰写报告

6.2 实现

import{createSupervisor}from"@langchain/langgraph-supervisor";import{createReactAgent}from"@langchain/langgraph/prebuilt";import{tool}from"@langchain/core/tools";import{z}from"zod";constmodel=newChatOpenAI({modelName:"gpt-4o"});// ─── 搜索 Agent ───constsearchAgent=createReactAgent({llm:model,tools:[webSearchTool],name:"search_expert",prompt:"You are a search expert. Find the latest information on the topic.",});// ─── 分析 Agent ───constanalysisAgent=createReactAgent({llm:model,tools:[],// 不需要工具，只做分析name:"analysis_expert",prompt:"You are an analysis expert. Organize and analyze the information provided.",});// ─── 写作 Agent ───constwritingAgent=createReactAgent({llm:model,tools:[],name:"writing_expert",prompt:"You are a writing expert. Write a clear and well-structured report.",});// ─── Supervisor ───constworkflow=createSupervisor({agents:[searchAgent,analysisAgent,writingAgent],llm:model,prompt:"You are a research supervisor. "+"For finding information, use search_expert. "+"For organizing information, use analysis_expert. "+"For writing reports, use writing_expert. "+"Always follow the order: search → analyze → write.",outputMode:"last_message",// 只共享最终结果});constapp=workflow.compile();// ─── 运行 ───constresult=awaitapp.invoke({messages:[{role:"user",content:"帮我研究一下 2024 年 AI 领域的最新进展，并写一份总结报告",},],});

6.3 执行流程

用户请求 │ ▼ Supervisor: 需要搜索 → 调用 search_expert │ ▼ search_expert: 搜索 "2024 AI latest developments" │ 返回：GPT-5 发布、Claude 4、Gemini 2.0 等 │ ▼ Supervisor: 搜索完成 → 调用 analysis_expert │ ▼ analysis_expert: 整理信息，分类（模型发布、应用落地、行业趋势） │ ▼ Supervisor: 分析完成 → 调用 writing_expert │ ▼ writing_expert: 撰写结构化报告 │ ▼ Supervisor: 写作完成 → 返回最终答案

七、架构选型指南

八、总结

核心认知

关键 API

// 一行代码创建 Supervisorconstworkflow=createSupervisor({agents:[agent1,agent2,agent3],llm:model,prompt:"调度规则...",outputMode:"last_message",// 或 "full_history"});// 编译运行constapp=workflow.compile();constresult=awaitapp.invoke({messages:[...]});