Skip to main content
多智能体系统将复杂应用分解为多个专业智能体，这些智能体协同工作以解决问题。 与依赖单一智能体处理每个步骤不同，多智能体架构允许你将更小、更专注的智能体组合成一个协调的工作流。 多智能体系统在以下情况下特别有用：
  • 单个智能体拥有过多工具，导致在选择使用哪个工具时做出糟糕决策。
  • 上下文或记忆变得过于庞大，单个智能体难以有效跟踪。
  • 任务需要专业化（例如，规划师、研究员、数学专家）。

​
多智能体模式

模式工作原理控制流示例用例
工具调用监督者智能体将其他智能体作为工具进行调用。“工具”智能体不直接与用户对话——它们只执行任务并返回结果。集中式：所有路由都通过调用智能体。任务编排，结构化工作流。
控制权移交当前智能体决定将控制权转移给另一个智能体。活跃智能体发生变更，用户可能继续直接与新智能体交互。去中心化：智能体可以变更活跃智能体。多领域对话，专家接管。

教程：构建监督者智能体

学习如何使用监督者模式构建个人助手，其中一个中央监督者智能体协调专业的工作者智能体。 本教程演示：
  • 为不同领域（日历和电子邮件）创建专门的子智能体
  • 将子智能体包装为工具以实现集中编排
  • 为敏感操作添加人工介入审查

​
选择模式

问题工具调用控制权移交
需要对工作流进行集中控制？✅ 是❌ 否
希望智能体直接与用户交互？❌ 否✅ 是
需要专家间进行复杂、类人的对话？❌ 有限✅ 强
你可以混合使用这两种模式——使用控制权移交进行智能体切换，并让每个智能体将子智能体作为工具调用以处理专业任务。

​
自定义智能体上下文

多智能体设计的核心是上下文工程——决定每个智能体能看到哪些信息。LangChain 让你可以细粒度地控制：
  • 对话或状态的哪些部分传递给每个智能体。
  • 为子智能体量身定制的专用提示。
  • 中间推理过程的包含/排除。
  • 每个智能体的自定义输入/输出格式。
你的系统质量在很大程度上取决于上下文工程。目标是确保每个智能体在执行任务时，无论是作为工具还是活跃智能体，都能访问到所需的正確数据。

​
工具调用

在工具调用模式中，一个智能体（“控制器”）将其他智能体视为需要时调用的工具。控制器负责编排，而工具智能体执行特定任务并返回结果。 流程：
  1. 控制器接收输入并决定调用哪个工具（子智能体）。
  2. 工具智能体根据控制器的指令运行其任务。
  3. 工具智能体将结果返回给控制器。
  4. 控制器决定下一步或结束流程。
作为工具使用的智能体通常不期望与用户继续对话。 它们的角色是执行任务并将结果返回给控制器智能体。 如果你需要子智能体能够与用户对话，请改用控制权移交模式。

​
实现

下面是一个最小示例，其中主智能体通过工具定义获得对一个子智能体的访问权限： 
from langchain.tools import tool
from langchain.agents import create_agent


subagent1 = create_agent(model="...", tools=[...])

@tool(
    "subagent1_name",
    description="subagent1_description"
)
def call_subagent1(query: str):
    result = subagent1.invoke({
        "messages": [{"role": "user", "content": query}]
    })
    return result["messages"][-1].content

agent = create_agent(model="...", tools=[call_subagent1])
在此模式中：
  1. 当主智能体认为任务与子智能体的描述匹配时，它会调用 call_subagent1。
  2. 子智能体独立运行并返回其结果。
  3. 主智能体接收结果并继续编排。

​
可自定义之处

你可以在多个节点控制主智能体与其子智能体之间的上下文传递：
  1. 子智能体名称 ("subagent1_name")：这是主智能体引用子智能体的方式。由于它影响提示，请仔细选择。
  2. 子智能体描述 ("subagent1_description")：这是主智能体对该子智能体的”了解”。它直接影响主智能体决定何时调用它。
  3. 传递给子智能体的输入：你可以自定义此输入，以更好地塑造子智能体对任务的解读。在上面的示例中，我们直接传递了智能体生成的 query。
  4. 子智能体的输出：这是传回给主智能体的响应。你可以调整返回的内容，以控制主智能体如何解读结果。在上面的示例中，我们返回了最终消息的文本，但你可以返回额外的状态或元数据。

​
控制传递给子智能体的输入

控制主智能体传递给子智能体的输入有两个主要手段：
  • 修改提示——调整主智能体的提示或工具元数据（即子智能体的名称和描述），以更好地指导其何时以及如何调用子智能体。
  • 上下文注入——通过调整工具调用以从智能体状态中提取信息，添加那些无法通过静态提示捕获的输入（例如，完整的消息历史、先前的结果、任务元数据）。
from langchain.agents import AgentState
from langchain.tools import tool, ToolRuntime

class CustomState(AgentState):
    example_state_key: str

@tool(
    "subagent1_name",
    description="subagent1_description"
)
def call_subagent1(query: str, runtime: ToolRuntime[None, CustomState]):
    # Apply any logic needed to transform the messages into a suitable input
    subagent_input = some_logic(query, runtime.state["messages"])
    result = subagent1.invoke({
        "messages": subagent_input,
        # You could also pass other state keys here as needed.
        # Make sure to define these in both the main and subagent's
        # state schemas.
        "example_state_key": runtime.state["example_state_key"]
    })
    return result["messages"][-1].content

​
控制子智能体的输出

塑造主智能体从子智能体接收到的内容的两种常见策略：
  • 修改提示——优化子智能体的提示，明确规定应返回什么内容。
    • 当输出不完整、过于冗长或缺少关键细节时非常有用。
    • 一个常见的失败模式是子智能体执行了工具调用或推理，但没有在最终消息中包含结果。提醒它，控制器（和用户）只能看到最终输出，因此所有相关信息必须包含在那里。
  • 自定义输出格式——在将子智能体的响应交还给主智能体之前，通过代码调整或丰富它。
    • 示例：除了最终文本外，还将特定的状态键传回给主智能体。
    • 这需要将结果包装在 Command（或等效结构）中，以便你可以将自定义状态与子智能体的响应合并。
from typing import Annotated
from langchain.agents import AgentState
from langchain.tools import InjectedToolCallId
from langgraph.types import Command


@tool(
    "subagent1_name",
    description="subagent1_description"
)
# We need to pass the `tool_call_id` to the sub agent so it can use it to respond with the tool call result
def call_subagent1(
    query: str,
    tool_call_id: Annotated[str, InjectedToolCallId],
# You need to return a `Command` object to include more than just a final tool call
) -> Command:
    result = subagent1.invoke({
        "messages": [{"role": "user", "content": query}]
    })
    return Command(update={
        # This is the example state key we are passing back
        "example_state_key": result["example_state_key"],
        "messages": [
            ToolMessage(
                content=result["messages"][-1].content,
                # We need to include the tool call id so it matches up with the right tool call
                tool_call_id=tool_call_id
            )
        ]
    })

​
控制权移交

在控制权移交模式中，智能体可以直接将控制权传递给彼此。“活跃”智能体发生变更，用户与当前拥有控制权的任何智能体交互。 流程：
  1. 当前智能体决定需要另一个智能体的帮助。
  2. 它将控制权（和状态）传递给下一个智能体。
  3. 新智能体直接与用户交互，直到它决定再次移交控制权或结束任务。

​
实现（即将推出）

Edit the source of this page on GitHub.
Connect these docs programmatically to Claude, VSCode, and more via MCP for real-time answers.