从ReAct到Multi-Agent：LangGraph如何实现智能体间的无缝协作？ 原创

在LangChain生态日益成熟的今天，我们构建的AI应用正从简单的“问答机器人”向复杂的“智能体协作系统”演进。而LangGraph，作为LangChain生态中用于构建有状态、多步骤AI应用的利器，其核心价值之一就在于对多智能体（Multi-Agent） 系统的优雅支持。

为什么要“多智能体”？

• 智能体（Agent）是什么本质是一个能感知环境、基于策略行动以实现目标的“自主体”。在 LangChain/LangGraph 中，哪怕最简单的对话循环也可视为一个智能体。

     a.具备感知（输入）、决策（策略/推理）、行动（工具/调用）、学习（记忆/更新）能力。

     b.形式上可以是软件角色、机器人、业务微服务、甚至一个“LLM + 工具”组合。

• 为什么会走向多智能体（Multi-agent）单体智能体在复杂问题上会遭遇三类瓶颈：

     a.工具过载：工具太多导致“调用哪个”的决策困难。

     b.上下文负担：长对话导致推理退化。

     c.领域专精冲突：规划、检索、计算、执行等专业能力难以在单一提示词里兼顾。解决方法是“模块化 + 专精化”：将系统拆分为多个职责单一的小智能体，组合成中/大型系统。

• 多智能体的核心收益

     a.模块化：开发、测试、维护成本更低。

     b.专精化：专家智能体的鲁棒性更强。

     c.可控性：通信/交接路径与策略可显式定义，而不是完全交给 LLM 即兴发挥。

五种典型架构

• 网络（Fully-connected Network）任意智能体都可与其他智能体通信。灵活但易“泛滥”，适合探索性、弱流程约束场景。
• 监督者（Supervisor）引入一个“调度/路由”智能体，由它决定调用哪个专家。结构清晰，利于审计与限流。
• 监督者（工具调用变体）把专家抽象为“工具”，监督者是 ReAct 智能体，通过工具调用来路由。利于快速落地。
• 层级（Hierarchical）多个团队各自有监督者，顶层再由总监督者统筹。适合大规模系统或多产品线场景。
• 自定义工作流（Deterministic/Dynamic Mix）部分边是固定顺序，部分由 LLM 通过​​Command​​ 动态路由。工程中较常见的折中方案。

如果你不确定选哪种架构，先用“监督者（工具调用）”起步，随后按复杂性迭代。

Handoffs & Command

• 交接概念智能体执行完当前职责后，决定“结束/继续/转交给他人”。交接的关键是显式描述：

     a.目标智能体：​​goto​​

     b.携带负载（状态更新）：​​update​​

     c.图域（在哪个图生效）：​​graph​​，常见为当前图或 ​​Command.PARENT​​（从子图跳回父图）

• 最小 Command 模式

     a.智能体节点函数返回 ​​Command​​，用于控制下一步路由；否则返回状态更新结束当前轮次。

     b.在工具调用场景中，务必插入配对的“工具结果消息”，以满足多数 LLM 提供商的协议约束（每个 ​​ai_msg​​​ 的工具调用，必须跟一个 ​​tool​​ 消息）。

• 常见交接手法

     a.直接在智能体节点里决策，返回 ​​Command​​。

     b.把交接包装成一个“工具”，由 LLM 以工具调用的方式触发交接（显著提升统一性）。

     c.子图内要交接到父图的其他智能体时，设置 ​​graph=Command.PARENT​​。

智能体通信与状态设计

• 统一 state（共享消息）图中的每一步都接收并产出​​state​​，通常包含​​messages​​。共享完整“草稿”（推理过程）能提升整体推理能力，但要提防上下文爆炸。
• 异构 state（私有草稿 + 共享摘要）各智能体维护自己格式的内部状态，借助输入/输出转换与父图 state 对接。

     a.优点：清晰边界、可做“信息最小化共享”。

     b.技巧：交接时只共享“上一条 AI 回复 + 工具回执”，而非全部草稿。

• 工具调用与负载监督者作为 ReAct 节点时，工具的参数就是负载。LangGraph 支持将父图 state 注入到工具（例如​​InjectedState​​），实现“带记忆的交接”。

三种Handoff模式对比与最小代码片段

1. 直接 Command 交接（节点内路由）

• 适用：两个或少数几个智能体的网络架构，逻辑简单、路由清晰。
• 关键点：当​​ai_msg.tool_calls​​ 非空，插入工具结果消息，再​​goto​​ 下一个智能体。

from typing_extensions import Literal
from langgraph.types import Command
from langgraph.graph import MessagesState
from langchain_core.tools import tool

@tool
def transfer_to_multiplication_expert():
    """向乘法智能体寻求帮助（只用于表明交接意图）"""
    return

def addition_expert(state: MessagesState) -> Command[Literal["multiplication_expert", "__end__"]]:
    system_prompt = "你是加法专家。若需乘法，请先完成加法，再交接。"
    messages = [{"role": "system", "content": system_prompt}] + state["messages"]

    ai_msg = model.bind_tools([transfer_to_multiplication_expert]).invoke(messages)

    if ai_msg.tool_calls:
        tool_call_id = ai_msg.tool_calls[-1]["id"]
        tool_msg = {"role": "tool", "content": "成功交接", "tool_call_id": tool_call_id}
        return Command(goto="multiplication_expert", update={"messages": [ai_msg, tool_msg]})

    return {"messages": [ai_msg]}

• 常见坑

     a.遗漏工具结果消息：导致提供商报错或上下文不同步。

     b.无限交接：加步数上限或终止条件。

• 建议引入步数预算：

MAX_STEPS = 8
def guard_and_return(cmd_or_update, state):
    steps = state.get("steps", 0) + 1
    if steps > MAX_STEPS:
        return {"messages": [{"role": "assistant", "content": "超出步数预算，结束。"}]}
    if isinstance(cmd_or_update, Command):
        cmd_or_update.update = {**cmd_or_update.update, "steps": steps}
        return cmd_or_update
    return {"messages": cmd_or_update["messages"], "steps": steps}

2. 交接工具（handoff tool）

• 适用：每个智能体是一个“子图”，通过工具将控制权交还父图并路由到目标智能体。
• 关键点：在工具中返回​​Command(goto=..., graph=Command.PARENT, update=...)​​。

from typing import Annotated
from langchain_core.tools.base import InjectedToolCallId
from langgraph.prebuilt import InjectedState
from langchain_core.tools import tool
from langgraph.types import Command

def make_handoff_tool(*, agent_name: str):
    tool_name = f"transfer_to_{agent_name}"

    @tool(tool_name)
    def handoff_to_agent(
        state: Annotated[dict, InjectedState],
        tool_call_id: Annotated[str, InjectedToolCallId],
    ):
        tool_message = {
            "role": "tool",
            "content": f"成功交接到 {agent_name}",
            "name": tool_name,
            "tool_call_id": tool_call_id,
        }
        return Command(
            goto=agent_name,
            graph=Command.PARENT,
            update={"messages": state["messages"] + [tool_message]},
        )

    return handoff_to_agent

• 优点：

     a.路由逻辑统一沉淀在“工具层”，智能体代码更干净。

     b.便于在团队内部约定交接规范与审计。

3. 预构建 ReAct 智能体（create_react_agent）

• 适用：不需要自定义 ToolNode/循环的场景，快速搭建。
• 要点：把交接工具加入工具列表即可。

from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

@tool
def add(a: int, b: int) -> int:
    return a + b

@tool
def multiply(a: int, b: int) -> int:
    return a * b

addition_expert = create_react_agent(
    model,
    [add, make_handoff_tool(agent_name="multiplication_expert")],
    prompt="你是加法专家。必要时交接给乘法专家。",
)

multiplication_expert = create_react_agent(
    model,
    [multiply, make_handoff_tool(agent_name="addition_expert")],
    prompt="你是乘法专家。必要时交接给加法专家。",
)

函数 API

当你希望“每个智能体能与所有其他智能体通信”，但又想暂时避开图的节点/边定义时，可以用 LangGraph 函数 API：

• 用​​@entrypoint()​​ 定义主流程循环；
• 用​​@task​​ 封装对各智能体的调用；
• 通过识别最近一条​​AIMessage.tool_calls​​ 决定交接目标；
• 在工具上用​​@tool(return_direct=True)​​，使得代理一旦调用交接工具就立刻“跳出”自身循环，将控制权交回主流程。

工程上建议在主循环里加入：

• 步数上限、异常重试、交接工具白名单校验（防止 LLM“幻想”出未定义的工具名）。

工程化落地的关键要点

• 提示词

     a.“先做自己职责，再交接”应写入 system prompt。

     b.明确输出格式、是否中文、是否需要结构化信息（JSON/Markdown）。

• 终止条件与预算控制

     a.设定步数预算、调用预算、时间预算；超限即 ​​__end__​​。

     b.在状态中追踪 ​​steps/cost​​，并在每轮更新。

• 状态设计与内存治理

     a.区分“共享消息”和“私有草稿”；用转换器只暴露必要上下文。

     b.引入“摘要工具/裁剪策略”（例如只保留近 N 轮 + 摘要）。

• 工具安全

     a.工具入参强类型化（Pydantic 校验）；

     b.重要操作前加“确认工具”（双人复核型）；

     c.对“交接工具名”设白名单，拒绝未知路由。

• 可观测性与调试

     a.使用 ​​graph.stream(..., subgraphs=True)​​ 订阅事件；

     b.统一 ​​pretty_print_messages​​​，将 ​​ai/tool​​ 消息流对齐打印；

     c.日志里打出 ​​tool_call_id​​ 对应关系，便于问题复盘。

• 性能与并行

     a.能“分而治之”的子任务用并行 map，再汇总 reduce；

     b.对“冷工具”（慢 IO）启用异步；

     c.压测不同架构的延迟/费用分布，形成“选型矩阵”。

• 稳定性与测试

     a.构造“金样本对话流”，回归测试交接路径与最终答案；

     b.在异常热点处增加 ​​try/except​​ + “安全降级”（例如改用本地规则/缓存）。

常见错误与快速排查

• 少了工具结果消息：每个​​ai_msg​​ 的 tool call 后必须追加 1 条​​tool​​ 消息。
• 子图交接没指定 ​​​Command.PARENT​​​：导致交接“困在子图”。
• ​​​update​​​ 写错键名或结构：​​{"messages": [...]}​​不可缺。
• ​​​tool_call_id​​​ 不匹配：工具回执里的 ID 必须对应刚触发的 call。
• 未设 START 边或错误路由名：​​builder.add_edge(START, "node")​​ 别漏。
• 无限循环：缺少步数控制，或提示词没强制“先做自己，再交接”。

总结

多智能体不是“把大模型套上更多提示词”，而是“把复杂问题拆解成可治理的自治单元”，并通过可观测、可控的交接协议把它们编排起来。Command 是编排的内核；state 是沟通的载体；工具是行动的接口；层次/网络/监督者/自定义工作流是架构的选项。 真正跑代码的时候，建议先用最简单的模式跑通端到端，再引入交接工具统一路由，最后按规模演进到层级或混合架构。

本文转载自​​​​​​​AI 博物院​​​​​​​ 作者：longyunfeigu