原文：LangGraph: Multi-Agent Workflows (opens new window)

很高兴地介绍 langgraph 强大的用例 - 多代理工作流。在本博客中，我们将涵盖： "multi-agen 多代理"是什么意思？

为什么“multi-agent 多代理”工作流程很有用？

使用 LangGraph 进行多代理工作流程的三个具体示架构

使用多代理工作流程构建在 LangGraph 之上的第三方应用的两个示例（GPT-Newspaper 和 CrewAI）

与其他框架（Autogen 和 CrewAI）的比较

什么是“multi-agent”（多代理协同）？

当我们谈论“multi-agent”时，我们指的是由 LLM 语言模型驱动的多个独立行动者 Agent 以特定方式连接在一起。

每个代理都可以拥有自己的提示词，LLM底层模型，调用工具和其他自定义代码，以便与其他代理最好地协作。 这意味着在考虑不同的多代理工作流时有两个主要考虑因素： 什么是多个独立 Agent 代理？ 这些Agent 代理如何连接？

这种思维非常适合图表示，比如 langgraph 提供的那种。在这种方法中，每个代理都是图中的一个节点，它们的连接被表示为一条边。控制流由边管理，并通过向图的状态添加信息进行通信。

注意：这里一个非常相关的概念是状态机的概念，我们明确将其称为认知架构的一类。从这种角度看，独立的代理节点变成了状态，而这些代理如何连接则是转移矩阵。由于状态机可以被视为带标签的有向图，我们将以相同的方式思考这些事情。

（译者注：langgraph 提供 muti-agent 的底层抽象，类似构建类似有向无环图，把每个代理当作一个节点，每个代理的连接当作节点之间的边，这样基于图-节点的关系该概念去构建任务代理架构）

多代理设计的好处

如果一个代理无法正常工作，那么为什么多代理会有用呢？ 分组工具/责任可以带来更好的结果。一个代理在专注于一项任务时更有可能成功，而不是必须从数十种工具中进行选择。 分开的提示可以提供更好的结果。每个提示都可以有自己的说明和少量示例。每个代理甚至可以由一个单独微调的LLM来驱动！ 有助于开发的概念模型。可以评估和改进每个代理，而不会破坏更大的应用程序。

多代理设计允许您将复杂问题分解为可由专门代理和LLM程序针对的可处理单位的工作单元。

Multi-agent （架构1）

我们已经向 langgraph 仓库添加了三个独立的多代理工作流示例。每个示例对上述两个问题的答案略有不同，我们将在突出显示示例时进行讨论。重要的是要注意，这三个示例只是我们可以突出显示的可能示例中的几个 - 几乎可以肯定还有其他示例存在，我们期待看到社区会提出什么样的示例！ 多智能体协作 Code links: 代码链接: Python JS

在这个例子中，不同的代理在共享的消息草稿（其实就是共享的思考链上下文）上进行协作。这意味着他们中的任何一个所做的工作都对另一个可见。这样做的好处是其他代理可以看到所有的个别步骤。这样做的缺点是有时候过于冗长和不必要地传递所有这些信息，有时候只需要一个代理的最终答案。我们称之为协作，因为这个消息草稿是共享的性质。

每个独立 Agent 代理边界如何定义？

在这种情况下，独立代理实际上只是一个单一的LLM调用。具体来说，它们是一个特定的提示模板（以特定系统消息的特定方式格式化输入）加上一个LLM调用。

这些代理如何连接？

这里是这些代理如何连接的可视化展示：

添加图片注释，不超过 140 字（可选）

控制状态转换的主要因素是 router 路由器，但它是一个基于规则的路由器，因此相当简单。基本上，在每次LLM调用之后，它会查看输出。如果调用了工具，则调用该工具。如果没有调用工具，而LLM回应“FINAL ANSWER”，则返回给用户。否则（如果没有调用工具，而LLM没有回应“FINAL ANSWER”），则转到另一个LLM。 (译者注：第一种模式其实就是常见的 reAct 基础上增加了几个 LLM ，每个 LLM 都可以看到共同思考的上下文链路，中间的路由就是根据关键字正则匹配调用哪些工具。 但纯 reAct只有一个 LLM 系统提示词，而多 Agent 的每个 LLM 是有自己独立的系统提示词，甚至可以是独立微调的 LLM )

Agent Supervisor 代理中介者模式（架构2）

Examples: 示例: Python JS

在这个例子中，多个代理连接在一起，但与上面的情况相比，它们不共享一个共享的草稿板。相反，它们有各自独立的草稿板，然后它们的最终响应被附加到一个全局草稿板中。

每个独立 Agent 代理边界如何定义？

在这种情况下，独立代理是一个 LangChain 代理。这意味着它们有自己的个别提示，LLM，和工具。当被调用时，不仅仅是一个单独的 LLM 调用，而是 AgentExecutor 的运行。

这些代理如何连接？

添加图片注释，不超过 140 字（可选）

代理中介者负责将路由到各个代理。

这样，中介者也可以被视为是其他代理的代理！ （译者注：其实就是使用一个专门的 LLM 作为中介者，接受用户信息，再根据信息转发到适合的专用 Agent 上。这样的好处就是每个特定领域的 Agent 聚焦自己擅长的事情，这里既可以是提示工程的优化，也可以是 llm 微调。）

Hierarchical Agent Teams 分层代理团队（架构3）

Examples: 示例: Python JS

这与上面的示例类似，但现在节点中的代理实际上是其他 langgraph 对象本身。这比使用 LangChain AgentExecutor 作为代理运行时提供了更多的灵活性。我们称之为分层团队，因为子代理可以被视为团队的一部分。 每个独立 Agent 代理边界如何定义？

现在这里的“其他”代理是指 langgraph 代理子节点。

这些代理如何连接？

添加图片注释，不超过 140 字（可选）

一个中介代理，再加一个代理组将它们连接起来。 （译者注： 其实就是在架构2 的基础上，对下面的代理再次分层，将同类任务的代理组成一个 team。比如写文章的任务：可以由网络检索 Agent、信息筛选Agent、文章段落构思 Agent、文章撰写 Agent、文章检查 Agent等组合成一个团队。每个 Agent 又能调用自己的工具，这种适合非常大型的 Agent 协同）

第三方应用程序案例

As part of this launch, we're also excited to highlight a few applications built on top of LangGraph that utilize the concept of multiple agents. 作为这一发布的一部分，我们也很高兴地强调了一些构建在 LangGraph 之上并利用多个代理概念的应用程序。

GPT-Newspaper GPT-报纸

这是由 GPT-研究者团队推出的新项目。GPT-报纸是一款创新的自主代理，旨在根据用户偏好创建个性化报纸。GPT-报纸通过利用人工智能的力量根据个人口味和兴趣策划、撰写、设计和编辑内容，彻底改变了我们消费新闻的方式。该架构由六个专门的子代理组成。有一个关键步骤 - 一个作家 <> 评论循环，可以增加一个有益的循环。

添加图片注释，不超过 140 字（可选）

Crew AI example 机组人工智能示例

Joao Moura 利用 CrewAI、LangChain 和 LangGraph 的优秀示例，自动化检查电子邮件并创建草稿的过程。 CrewAI 协调自主 AI 代理，使它们能够高效地协作和执行复杂任务。 The graph in this example looks like the below: 这个例子中的图表如下所示：

添加图片注释，不超过 140 字（可选）

其他框架

LangGraph 不是第一个支持多代理工作流的框架。这些框架之间的主要区别在于它们引入的心智模型和概念。

Autogen

Autogen 可能是第一个多代理框架。LangGraph 和 Autogen 之间心智模型的最大区别在于代理的构建。LangGraph 更倾向于一种方法，您可以明确定义不同的代理和转换概率，更喜欢将其表示为图形。Autogen 将其框架更多地视为“对话”。我们认为这种“图形”框架使其更直观，并为构建更复杂和有主见的工作流提供更好的开发者体验，您可以真正控制节点之间的转换概率。它还支持那些不被“对话”明确捕获的工作流。

Autogen 和 LangGraph 之间的另一个关键区别是 LangGraph 完全集成到 LangChain 生态系统中，这意味着您可以充分利用所有 LangChain 集成和 LangSmith 可观性。

CrewAI 机组人工智能

另一个我们想要强调的关键框架是 CrewAI。CrewAI 最近已经成为创建多智能体“团队”的流行方式。与 LangGraph 相比，CrewAI 是一个更高级的框架。事实上，我们正在积极与 CrewAI 团队合作，将 LangGraph 集成到 CrewAI 中！我们认为 CrewAI 已经达到了令人惊叹的更高级别的 DevEx，我们希望支持这一点。 （译者注：以上3 种架构均提供了官方源码，但 Multi-agent 架构不止上面示例的 3种，实际情况需要根据业务场景和模型能力去适配，比如在分层代理的时候是不是可以部分组共享上下文草稿，部分不共享等。在实际种，代理层级多会导致执行时间非常长，这种情况下用于决策的路由代理可以微调，或者用小模型等进行加速。）

以上来源 langchain blog 官方原文，在个人理解基础上有所增删减。