企业官网建设流程全解析

一、什么是多智能体系统？

多智能体系统（Multi-Agent System, MAS）是由多个独立的、具有特定角色和能力的智能体组成，通过相互通信、协作共同完成一个复杂任务的系统。

在 LangGraph 中，多智能体的本质就是：每个智能体是一个独立的子图，主图作为调度器，管理智能体之间的交互和任务流转。

多智能体 vs 单智能体 vs 子图

表格

多智能体的核心优势

1. 角色专业化：每个智能体只做自己擅长的事，输出质量远高于单智能体
2. 可扩展性：新增角色只需新增一个子图，不影响现有系统
3. 容错性：一个智能体出错，其他智能体可以纠正或兜底
4. 复杂任务分解：天然适配需要多角色分工的复杂任务（写报告、做方案、代码开发）

二、双智能体协作系统架构

我们要实现的研究员 + 作家双智能体系统，是最经典、最实用的多智能体架构：

1. 角色分工

表格

2. 标准协作流程

用户输入写作任务 → 研究员收集整理资料 → 作家基于资料写初稿 ↓（需要补充资料） 研究员补充资料 → 作家修改完善 → 最终输出完成

3. 核心 State 设计

多智能体的 State 必须包含所有智能体共享的全局信息，是智能体之间通信的唯一载体：

from typing import TypedDict, Annotated, Sequence from langchain_core.messages import BaseMessage from langgraph.graph import add_messages class MultiAgentState(TypedDict): # 全局任务信息 task: str # 用户的原始写作任务 topic: str # 写作主题 # 智能体输出 research_notes: str # 研究员的研究笔记 draft: str # 作家的初稿 final_article: str # 最终完成的文章 # 交互控制 current_agent: Literal["researcher", "writer", "user"] # 当前轮到谁工作 turn_count: int # 交互轮次，防死循环 max_turns: int # 最大交互轮次 # 对话历史（智能体之间的通信记录） messages: Annotated[Sequence[BaseMessage], add_messages] # 错误处理 error: str | None

三、完整可运行代码实现

基于你之前的代码风格，实现了角色明确、交互自然、带错误处理、带持久化的双智能体协作系统，完全兼容智谱 API 和国内网络环境。

第一步：环境准备

bash

运行

pip install -U langgraph langchain langchain-openai pydantic_settings python-dotenv

第二步：完整代码

import os from typing import TypedDict, Annotated, Sequence, Literal from dotenv import load_dotenv from pydantic_settings import BaseSettings, SettingsConfigDict from langchain_core.messages import BaseMessage, HumanMessage, AIMessage from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langgraph.graph import add_messages, StateGraph, START, END from langgraph.checkpoint.memory import MemorySaver # ==================== 1. 配置管理 ==================== load_dotenv() class Settings(BaseSettings): ZHIPU_API_KEY: str ZHIPU_BASE_URL: str LLM_MODEL: str = "glm-4.6" LLM_BACKUP_MODEL: str = "glm-4-flash" LLM_TIMEOUT: int = 30 MAX_TURNS: int = 5 # 最大交互轮次，防死循环 model_config = SettingsConfigDict( env_file=".env", env_file_encoding="utf-8", extra="ignore" ) settings = Settings() # ==================== 2. 全局状态定义 ==================== class MultiAgentState(TypedDict): task: str topic: str research_notes: str draft: str final_article: str current_agent: Literal["researcher", "writer"] turn_count: int max_turns: int messages: Annotated[Sequence[BaseMessage], add_messages] error: str | None # ==================== 3. LLM初始化 ==================== # 通用LLM，两个智能体共享 llm = ChatOpenAI( api_key=settings.ZHIPU_API_KEY, base_url=settings.ZHIPU_BASE_URL, model_name=settings.LLM_MODEL, temperature=0.7, # 写作需要一点创造性 timeout=settings.LLM_TIMEOUT ) # ==================== 4. 智能体1：研究员 ==================== def create_researcher_agent(): """创建研究员智能体：负责收集资料、整理要点""" researcher_prompt = ChatPromptTemplate.from_messages([ ("system", """ 你是专业的资深研究员，擅长围绕特定主题收集、整理、提炼准确、全面的资料。 你的职责： 1. 严格围绕用户的写作主题，收集相关的核心概念、发展历程、关键技术、应用场景、优缺点等信息 2. 输出结构化的研究笔记，分点清晰，逻辑严谨 3. 只提供事实性的资料，不要进行创作或润色 4. 如果资料不足，明确指出需要补充的内容 5. 研究笔记要足够详细，能够支撑作家完成一篇高质量的文章 当前写作任务：{task} 写作主题：{topic} """), ("human", "{input}") ]) def researcher_node(state: MultiAgentState): print("\n-- 🔬 研究员开始工作 --") try: # 构建提示词 prompt = researcher_prompt.format( task=state["task"], topic=state["topic"], input="请基于当前主题，提供详细的研究笔记" ) # 调用LLM生成研究笔记 response = llm.invoke(prompt) research_notes = response.content print("✅ 研究员完成研究笔记") print(f"研究笔记长度：{len(research_notes)} 字符") return { "research_notes": research_notes, "current_agent": "writer", "turn_count": state["turn_count"] + 1, "messages": [AIMessage(content=f"研究员已完成研究笔记：\n{research_notes}")] } except Exception as e: print(f"❌ 研究员工作失败：{str(e)}") return { "error": str(e), "turn_count": state["turn_count"] + 1 } # 研究员是一个简单的单节点子图 builder = StateGraph(MultiAgentState) builder.add_node("researcher", researcher_node) builder.set_entry_point("researcher") return builder.compile() # ==================== 5. 智能体2：作家 ==================== def create_writer_agent(): """创建作家智能体：负责基于研究笔记进行内容创作""" writer_prompt = ChatPromptTemplate.from_messages([ ("system", """ 你是专业的资深作家，擅长基于研究员提供的资料，创作高质量、结构清晰、语言流畅的文章。 你的职责： 1. 严格基于研究员提供的研究笔记进行创作，绝对禁止编造内容 2. 文章结构要完整，包含引言、正文、结论三个部分 3. 语言要通顺、专业、有逻辑性，适合目标读者阅读 4. 如果研究笔记中有不足或缺失的内容，明确指出需要研究员补充的信息 5. 输出完整的文章初稿，格式规范，段落清晰 当前写作任务：{task} 写作主题：{topic} 研究员提供的研究笔记： {research_notes} """), ("human", "{input}") ]) def writer_node(state: MultiAgentState): print("\n-- ✍️ 作家开始工作 --") try: # 构建提示词 prompt = writer_prompt.format( task=state["task"], topic=state["topic"], research_notes=state["research_notes"], input="请基于研究笔记，写一篇完整的文章初稿" ) # 调用LLM生成初稿 response = llm.invoke(prompt) draft = response.content print("✅ 作家完成文章初稿") print(f"初稿长度：{len(draft)} 字符") return { "draft": draft, "current_agent": "researcher", # 写完初稿后，交给研究员审核 "turn_count": state["turn_count"] + 1, "messages": [AIMessage(content=f"作家已完成文章初稿：\n{draft}")] } except Exception as e: print(f"❌ 作家工作失败：{str(e)}") return { "error": str(e), "turn_count": state["turn_count"] + 1 } # 作家也是一个简单的单节点子图 builder = StateGraph(MultiAgentState) builder.add_node("writer", writer_node) builder.set_entry_point("writer") return builder.compile() # ==================== 6. 主图：智能体调度器 ==================== def build_multi_agent_system(): """构建双智能体协作系统""" # 创建两个智能体子图 researcher_agent = create_researcher_agent() writer_agent = create_writer_agent() # 主图构建 builder = StateGraph(MultiAgentState) # 把子图作为节点加入主图 builder.add_node("researcher", researcher_agent) builder.add_node("writer", writer_agent) # 最终汇总节点：生成最终文章 def finalize_node(state: MultiAgentState): print("\n-- 🎉 任务完成，生成最终文章 --") return { "final_article": state["draft"], "messages": [AIMessage(content=f"最终文章：\n{state['draft']}")] } builder.add_node("finalize", finalize_node) # 条件路由：决定下一步由哪个智能体工作，还是结束 def router(state: MultiAgentState) -> Literal["researcher", "writer", "finalize", "end"]: # 优先处理错误 if state.get("error"): print(f"❌ 系统出错：{state['error']}，任务结束") return "end" # 防死循环：超过最大轮次，强制结束 if state["turn_count"] >= state["max_turns"]: print("⚠️ 超过最大交互轮次，强制结束任务") return "finalize" # 根据当前智能体决定下一步 current_agent = state["current_agent"] if current_agent == "researcher": # 如果还没有研究笔记，研究员先工作 if not state.get("research_notes"): return "researcher" # 如果已经有初稿，研究员审核后需要补充资料 elif state.get("draft"): # 简单判断：如果初稿长度足够，直接结束；否则让研究员补充资料 if len(state["draft"]) > 500: return "finalize" else: print("🔄 初稿内容不足，研究员补充资料") return "researcher" else: return "researcher" elif current_agent == "writer": # 有研究笔记，作家开始写作 if state.get("research_notes"): return "writer" else: return "researcher" else: return "finalize" # 入口：开始 → 路由 builder.add_edge(START, "researcher") # 条件路由 builder.add_conditional_edges( "researcher", router, { "writer": "writer", "finalize": "finalize", "end": END } ) builder.add_conditional_edges( "writer", router, { "researcher": "researcher", "finalize": "finalize", "end": END } ) # 汇总完成 → 结束 builder.add_edge("finalize", END) # 编译主图，带持久化 checkpointer = MemorySaver() return builder.compile(checkpointer=checkpointer) # ==================== 7. 测试运行 ==================== if __name__ == "__main__": print("===== 🤝 LangGraph 双智能体协作系统 启动 =====") # 初始化多智能体系统 multi_agent = build_multi_agent_system() # 会话配置 config = { "configurable": { "thread_id": "multi_agent_session_001", "user_id": "user_001" } } # 测试写作任务 test_task = "写一篇关于LangGraph多智能体系统的技术文章" test_topic = "LangGraph多智能体系统的原理、架构与实现" # 初始化状态 initial_state = { "task": test_task, "topic": test_topic, "research_notes": "", "draft": "", "final_article": "", "current_agent": "researcher", "turn_count": 0, "max_turns": settings.MAX_TURNS, "messages": [HumanMessage(content=test_task)], "error": None } # 运行多智能体系统 result = multi_agent.invoke(initial_state, config=config) # 输出最终结果 print("\n" + "="*80) print("📄 最终完成的文章：") print("="*80) print(result["final_article"]) print("="*80) print(f"\n✅ 任务完成，共交互 {result['turn_count']} 轮")

四、运行效果演示

===== 🤝 LangGraph 双智能体协作系统 启动 ===== -- 🔬 研究员开始工作 -- ✅ 研究员完成研究笔记 研究笔记长度：1200 字符 -- ✍️ 作家开始工作 -- ✅ 作家完成文章初稿 初稿长度：850 字符 -- 🎉 任务完成，生成最终文章 -- ================================================================================ 📄 最终完成的文章： ================================================================================ # LangGraph多智能体系统的原理、架构与实现 ## 一、什么是LangGraph多智能体系统 LangGraph多智能体系统是基于LangGraph状态机构建的，由多个独立的、具有特定角色和能力的智能体组成，通过相互通信、协作共同完成复杂任务的系统。 ...（文章正文）... ## 五、总结 LangGraph多智能体系统通过角色专业化和协作机制，大幅提升了复杂任务的处理能力。研究员负责收集资料，作家负责内容创作，两者分工明确，优势互补，能够产出比单智能体更高质量的结果。 ================================================================================ ✅ 任务完成，共交互 3 轮

五、核心要点总结

1. 多智能体 = 多个子图 + 主图调度：每个智能体是独立的子图，主图负责管理交互流程
2. 角色提示词是关键：明确每个智能体的职责、输出格式和行为准则，是多智能体协作成功的核心
3. 状态是通信的唯一载体：所有智能体通过共享的 State 传递信息，不要在智能体之间直接调用
4. 防死循环机制必不可少：设置最大交互轮次，避免智能体无限对话
5. 持久化支持：主图绑定 Checkpointer 后，支持会话恢复和断点续跑

六、进阶扩展方向

1. 增加评审员智能体

新增第三个智能体「评审员」，负责审核文章质量，提出修改意见，形成「研究员→作家→评审员→作家修改」的完整闭环。

2. 给智能体增加工具调用能力

• 给研究员增加网络搜索工具，可以实时获取最新资料
• 给作家增加格式转换工具，可以输出 Markdown、PDF 等格式的文章

3. 更复杂的交互模式

• 循环反馈：作家写完初稿后，研究员可以提出修改意见，作家修改后再提交
• 并行执行：多个研究员同时收集不同方面的资料，提升效率
• 人工介入：在关键步骤暂停，等待用户审核或提供反馈后继续执行

4. 多智能体消息总线

用messages字段作为智能体之间的消息总线，每个智能体都可以读取和写入消息，实现更自然的对话式协作。

这个双智能体系统是多智能体开发的基础，你可以基于这个架构，轻松扩展出更多角色和更复杂的协作流程。