跳到主要内容
多智能体系统将复杂的应用程序分解为多个专门的智能体，它们协同工作以解决问题。多智能体架构不依赖单个智能体处理每个步骤，而是允许您将更小、更专注的智能体组合成一个协调的工作流程。 多智能体系统在以下情况中非常有用：
  • 单个智能体拥有太多工具，并且在选择使用哪些工具时做出糟糕的决策。
  • 上下文或记忆变得过于庞大，单个智能体无法有效跟踪。
  • 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
工具调用一个主管智能体将其他智能体作为工具调用。“工具”智能体不直接与用户对话——它们只运行任务并返回结果。集中式：所有路由都通过调用智能体。任务编排、结构化工作流程。
交接当前智能体决定将控制权转移给另一个智能体。活动的智能体发生改变，用户可以继续直接与新的智能体交互。分散式：智能体可以改变谁是活动的。多领域对话、专家接管。

教程：构建一个主管智能体

了解如何使用主管模式构建个人助理，其中一个中央主管智能体协调专门的工作智能体。本教程演示了
  • 为不同领域（日历和电子邮件）创建专门的子智能体
  • 将子智能体封装为工具，用于集中编排
  • 为敏感操作添加人工审核

​
选择模式

问题工具调用交接
需要集中控制工作流程吗？✅ 是❌ 否
希望智能体直接与用户交互吗？❌ 否✅ 是
专家之间复杂、类人对话？❌ 有限✅ 强
您可以混合使用这两种模式——使用交接进行智能体切换，并让每个智能体将子智能体作为工具调用以完成专门任务。

​
自定义智能体上下文

多智能体设计的核心是上下文工程——决定每个智能体可以看到哪些信息。LangChain 提供了对以下内容的精细控制：
  • 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。
  • 包含/排除中间推理。
  • 为每个智能体定制输入/输出格式。
您的系统质量严重依赖上下文工程。目标是确保每个智能体都能访问执行其任务所需的正确数据，无论它是作为工具还是作为活动智能体。

​
工具调用

在工具调用中，一个智能体（“控制器”）将其他智能体视为工具，在需要时进行调用。控制器管理编排，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完成。
作为工具使用的智能体通常不期望继续与用户对话。它们的职责是执行任务并将结果返回给控制器智能体。如果您需要子智能体能够与用户对话，请改用交接。

​
实现

下面是一个最小示例，其中主智能体通过工具定义访问单个子智能体 
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。

​
定制位置

有几个点可以控制上下文在主智能体及其子智能体之间传递的方式
  1. 子智能体名称 ("subagent1_name")：这是主智能体引用子智能体的方式。因为它会影响提示，所以请仔细选择。
  2. 子智能体描述 ("subagent1_description")：这是主智能体“了解”子智能体的内容。它直接决定了主智能体何时调用它。
  3. 子智能体输入：您可以自定义此输入以更好地塑造子智能体解释任务的方式。在上面的示例中，我们直接传递了智能体生成的query。
  4. 子智能体输出：这是传递回主智能体的响应。您可以调整返回的内容，以控制主智能体解释结果的方式。在上面的示例中，我们返回了最终消息文本，但您可以返回额外的状态或元数据。

​
控制子智能体的输入

有两个主要杠杆可以控制主智能体传递给子智能体的输入
  • 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数据，添加在静态提示中不切实际的输入（例如，完整的消息历史记录、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 – 细化子智能体的提示以精确指定应返回的内容。
    • 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工具调用或推理，但不将结果包含在其最终消息中。提醒它控制器（和用户）只看到最终输出，因此所有相关信息都必须包含在其中。
  • 自定义输出格式化 – 在将子智能体响应交回主智能体之前，在代码中调整或丰富其响应。
    • 示例：除了最终文本之外，还将特定的状态键传递回主智能体。
    • 这需要将结果封装在一个Command（或等效结构）中，以便您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
            )
        ]
    })

​
交接

在交接中，智能体可以直接将控制权相互传递。“活动”智能体发生改变，用户与当前拥有控制权的智能体交互。 流程：
  1. 当前智能体决定它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，直到它决定再次交接或完成。

​
实现 (即将推出)

在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.