用 LangGraph 构建多智能体系统

当单个 Agent 难以胜任复杂任务时，多智能体协作成为趋势。LangGraph 用「图」来编排智能体，提供了一种清晰可控的方式。

为什么需要编排

单个 Agent 处理简单任务尚可，但面对「多步骤、多分支、需协作」的任务时，靠「一个超长提示词」会失控。多智能体系统把任务拆解给多个各司其职的 Agent，例如：

• 规划者（Planner）：拆解任务；
• 执行者（Executor）：执行具体步骤；
• 评审者（Reviewer）：检查结果质量。

图式编排：用状态机管理流程

LangGraph 的核心思想是把智能体流程建模为有向图：

• 节点（Node）：一个 Agent 或一个函数，执行特定步骤；
• 边（Edge）：节点间的流转，可带条件分支；
• 状态（State）：在节点间传递的共享上下文。

const graph = new StateGraph(State)
  .addNode('planner', plannerAgent)
  .addNode('executor', executorAgent)
  .addEdge('planner', 'executor')
  .addConditionalEdges('executor', shouldContinue);

这种「图 + 状态机」的方式，让流程可控、可断点、可重放。

多智能体的协作模式

• 顺序执行：一个 Agent 的输出作为下一个的输入（流水线）；
• 监督者模式：一个主 Agent 分发任务给子 Agent 并汇总；
• 竞争/评审：多个 Agent 独立作答，再评审择优。

可观测性与调试

图式编排的额外好处是天然可观测：每一步的输入输出都在状态里，方便调试、审计与回放。配合 LangSmith 等工具，能清晰看到决策轨迹。

结语

多智能体不是「堆更多模型」，而是把复杂任务结构化成可控的流程。图式编排的价值，正在于把「黑箱」变成「可理解的系统」。