企业官网建设流程全解析

协议的本质区别：工具VS代理

在AI技术快速发展的今天，两个关键协议正在重塑我们构建智能系统的方式，这两个协议代表了AI架构发展的不同维度，但它们共同指向一个未来：我们正从确定性编程转向自主协作系统。

• Agent-to-Agent协议(A2A)
• Model Context Protocol(MCP)

MCP：本质上是关于工具访问的协议。它定义了大语言模型如何与各种工具、数据和资源交互的标准方式，简单来说**，MCP让AI能够使用各种功能，就像程序员调用函数一样。**

A2A：则专注于代理协作。它建立了智能代理之间相互发现、交流和合作的方式，使得不同的Al系统能够像人类团队一样协同工作。

多智能体架构

LangChain体系中，

• LangChain主要集成了和大语言模型的交互能力。
• LangGraph主要实现复杂的流程调度。

将这两个能力结合起来，就可以实现一个多智能体架构(Multi-Agent Architecture)，它不是让一个大模型“无所不能”，而是通过多个专精的Agent协作来完成更复杂的任务。

单智能体：

结构:

一个LLM+工具集合

LLM决定是否调用工具，自己完成所有逻辑

使用场景:

简单对话助手

单一领域(天气查询、SQL问答、知识库QA)

例子:

“查询北京天气” -> LLM调用get_weather()

“翻译一句话” -> LLM 调用translator()

案例：

from langchain.agentsimportcreate_agentfrom langchain.chat_modelsimportinit_chat_modelfrom langchain_core.messagesimportHumanMessagefrom lang_chain.configimportOPENAI_API_KEY# 单智能体 # 定义工具 defget_weather(city:str)->str:"""查询指定城市的天气情况。"""returnf'今天{city}的天气是晴天' # 定义大模型 llm=init_chat_model(model="deepseek-chat",model_provider="deepseek",api_key=OPENAI_API_KEY,base_url="https://api.deepseek.com")# 使用LangGraph创建Agentagent=create_agent(model=llm,# 添加模型 tools=[get_weather],# 添加工具)human_message=HumanMessage(content="今天北京的天气如何？")response=agent.invoke({"messages":[human_message]})print(response["messages"][-1].content)

多智能体：

在LangGraph里，Agent就是一个可调用的节点，通常封装了一个LLM+工具调用逻辑。

多智能体架构 = 多个Agent节点组成一个图(Graph)，它们通过消息传递、条件跳转（command/send）和记忆(Memory)协作。

对比：

• 单智能体：一个大模型，负责所有决策
• 多智能体：多个小模型/角色，分工明确，互相调用

好处:

• 解耦复杂任务：每个Agent只解决自己领域的问题。
• 可扩展：可以动态增加新Agent。
• 更可控：通过人类干预闭环(HITL)、时间回溯(Time Travel)管理执行流程。

六大典型架构：

• Network(网络)：每个智能体都可以与其他任何智能体进行通信。任何智能体都可以决定下一步调用哪个其他智能体，类似“去中心化网络”

应用场景：

- 多视角协作 - 并行搜索信息 - 研究讨论类场景

• Supervisor(主管)：包含一个主管智能体，每个智能体都与一个主管智能体进行通信。主管智能体决定下一步应该调用哪个智能体。【为主】

应用场景：

- 企业助手（IT、HR、财务等不同领域） - 智能客服（分配给不同领域专家）

• Supervisoras tools(主管as工具调用)：主管架构的一种特殊情况。单个智能体可以被表示为工具。主管智能体使用一个支持工具调用的LLM来决定调用哪个智能体工具，以及传递给这些智能体的参数。

应用场景：

- 当一LLM核心，但可以调用领域专家 - 类似插件系统（copilot + 插件）

• Hierarchical(层级式)：包含多层的Supervisor架构，每一层都有自己的主管，类似于公司的组织架构(GM-总监-组长-员工)

应用场景：

- 大型任务拆解（项目管理、复杂管道任务） - AI公司/部门结构模拟

• Custom(自定义)：使用LangGraph提供的灵活的图结构和条件边，可以自定义各种执行流，比较灵活，使用的也最多。

应用场景：

- 高度定制的企业级AI应用 - 多步骤、多部门、多数据源场景

A2A案例

案例1：supervisor（主管）

from langchain.agentsimportcreate_agentfrom langchain.chat_modelsimportinit_chat_modelfrom langchain_core.messagesimportAIMessage,HumanMessagefrom langgraph_supervisorimportcreate_supervisorfrom lang_chain.configimportOPENAI_API_KEY#1.初始化大语言模型 llm=init_chat_model(model="deepseek-chat",model_provider="deepseek",api_key=OPENAI_API_KEY,base_url="https://api.deepseek.com",)#2.定义工具 defbook_flight(from_airport:str,to_airport:str):"""预订从出发地到目的地的航班。""" return f'成功预定从{from_airport}到{to_airport}的航班' def book_hotel(hotel_name: str): """预订指定名称的酒店。"""returnf'成功预定{hotel_name}的住宿' #3.创建子agent flight_assistant=create_agent(model=llm,tools=[book_flight],name="flight_assistant")hotel_assistant=create_agent(model=llm,tools=[book_hotel],name="hotel_assistant",)#4.主agent：调度主管 supervisor=create_supervisor(agents=[flight_assistant,hotel_assistant],model=llm,prompt=("你是一个智能任务调度主管，负责调度多个智能助手完成用户请求。\n""工作流程：\n""1.分析用户需求提取任务\n""2.先调用工具flight_assistant完成航班预订任务\n""3.再调用工具hotel_assistant完成酒店预订任务\n""4.返回结果，向用户汇报结果\n""注意：""每个助手只能调用1次，不要重复内容""只能使用中文，不要输出任何原文"),).compile()if__name__=="__main__":print("智能旅行调度系统")# mock输入数据 input_data={"messages":[HumanMessage(content="我想从北京去上海出差，在希尔顿酒店预定一间标准间，价格不要超过500元")]}forchunk in supervisor.stream(input_data):foragent_name,output in chunk.items():ifoutput isNone:continueformsg in output.get("messages",[]):ifisinstance(msg,AIMessage)and msg.content:print(f"[{agent_name}]: {msg.content}")print("-"*50)

案例2：handoff（交接）