什么是大模型多智能体系统？

大模型多智能体系统（Large Model Multi-Agent System） 是由多个基于大语言模型（LLM）的智能体（Agent）组成的协作系统。每个智能体具备独立的任务处理能力，通过协同工作解决单一智能体难以完成的复杂问题。其核心特征包括：

• • 分布式协作：智能体通过通信、协商或竞争实现目标。

• • 角色分工：不同智能体承担专业角色（如决策者、执行者、验证者）。

• • 共享状态管理：使用共享内存、消息传递或黑板机制同步信息。

• • 动态工作流：任务根据上下文在智能体间动态流转。

示例场景：
一个电商客服系统包含三个智能体：
① 订单查询Agent：访问数据库获取订单状态
② 退换货Agent：处理退货策略
③ 情感安抚Agent：检测用户情绪并安抚
用户提问时，三个Agent协同生成完整响应。

为什么复杂任务需要多智能体协作？

原因包括：

1. 1. 任务分解：复杂任务可以分解为多个子任务，由不同的智能体并行或顺序处理，提高效率。

2. 2. 专长分工：不同的智能体可以专门训练或设计用于特定领域，从而在各自领域表现更好。

3. 3. 错误恢复：当某个智能体失败时，其他智能体可以介入，提高系统的鲁棒性。

4. 4. 知识互补：多个智能体可以拥有不同的知识背景，通过协作融合不同领域的知识。

5. 5. 决策优化：多个智能体可以从不同角度分析问题，通过讨论或投票得到更优的解决方案。

多智能体系统架构

 

如上图所示，按照多个智能体的相互联系和通信方式，可以将多智能体系统分为以下几种类型的架构：

• • 网络：每个智能体都可以与其他智能体进行通信。任何智能体都可以决定接下来呼叫哪个其他智能体。

• • 监督者：每个智能体与唯一监督者进行通信。监督者智能体决定接下来应该调用哪个智能体。

• • 监督者（工具调用）：这是 监督者架构的特例。单个智能体可以表示为工具。在这种情况下，监督者智能体使用工具调用 LLM 来决定要调用哪些智能体工具，以及要传递给这些智能体的参数。

• • 分层：您可以定义一个多智能体系统，其中包含一个监督者的监督者。这是管理程序架构的推广，允许更复杂的控制流。

• • 自定义多智能体：每个智能体仅与智能体子集通信。流的某些部分是确定性的，只有某些智能体可以决定接下来要呼叫哪些其他智能体。

多智能体之间的通信

切换（Handoffs）

LangGraph使用切换（Handoffs）作为多智能体之间的通信方式。切换就是把流程从一个智能体的任务委托给另一个智能体，允许指定：

• • 目的智能体：要导航到的目标智能体（例如，要转到的节点的名称）

• • 有效负载：要传递给该智能体的信息（例如，状态更新）

LangGraph使用Command来实现切换的动作，例如：

def agent(state) -> Command[Literal["agent", "another_agent"]]:
    # the condition for routing/halting can be anything, e.g. LLM tool call / structured output, etc.
    goto = get_next_agent(...)  # 'agent' / 'another_agent'
    return Command(
        # Specify which agent to call next
        goto=goto,
        # Update the graph state
        update={"my_state_key": "my_state_value"}
    )

消息记录在多智能体间的管理方式

多智能体之间通讯是怎么共享消息记录呢？是共享整个完整消息记录还是只是共享最后的结果呢？Langgraph主要还是使用状态对象（state）来管理多智能体之间的消息的共享。

from typing import TypedDict, Annotated, List
from langgraph.graph.message import add_messages

class AgentState(TypedDict):
    # 共享的消息历史
    messages: Annotated[List[dict], add_messages]  # 自动追加新消息

共享完整消息记录

共享完整消息记录的好处是，它可以帮助其他智能体做出更好的决策，并提高整个系统的推理能力。
缺点是，随着代理数量及其复杂性的增加，“暂存器”将迅速增长，并且可能需要额外的内存管理策略。

如果运行多个代理，并且需要共享完整的消息记录，那么可以使用同一个状态对象（State Object）即可

示例代码：

def writer_agent(state: AgentState):
    # 读取所有历史消息
    full_history = state["messages"]
    # 生成新消息
    new_msg = {"role": "writer", "content": "基于历史生成报告..."}
    return {"messages": [new_msg]}  # 自动追加到全局历史

def reviewer_agent(state: AgentState):
    # 获取writer刚添加的消息
    last_msg = state["messages"][-1]  
    # 验证内容并回复
    feedback = {"role": "reviewer", "content": f"验证结果: {last_msg['content'][:30]}..."}
    return {"messages": [feedback]}

只是共享智能体的最后输出结果

只是共享其他智能体的最后输出结果，而不是共享整个对话历史。这种方式适用于比较多智能体或者是更加复杂的场景，实现这种方式只需要不同智能体定义自己的状态对象（State Object）即可.

自定义多智能体架构

自定义多智能体架构主要是使用自定义的切换（Handoffs）命令，结合大模型工具调用来实现，以下是一个旅行订票智能体的示例，包括订机票和订酒店两个智能体组成：

import langchain
from typing import Annotated
from langchain_core.tools import tool, InjectedToolCallId
from langgraph.prebuilt import create_react_agent, InjectedState
from langgraph.graph import StateGraph, START, MessagesState
from langgraph.types import Command
from langchain_deepseek import ChatDeepSeek

from dotenv import load_dotenv  # 用于加载环境变量
load_dotenv()  # 加载 .env 文件中的环境变量

from langchain.globalsimport set_debug
from langchain.globalsimport set_verbose

set_debug(True)
set_verbose(False)


# 这里需要选择推理的大模型：如 gpt-4o或deepseek-reasoner，而不是聊天模型如deepseek-chat，聊天模型有时无法理解智能体之间的转移和回答逻辑
model = ChatOpenAI(model="gpt-4o")

# 创建一个工具handoff,用于智能体的转移
defcreate_handoff_tool(*, agent_name: str, description: str | None = None):
    name = f"transfer_to_{agent_name}"
    description = description orf"Transfer to {agent_name}"

    @tool(name, description=description)
    defhandoff_tool(
        state: Annotated[MessagesState, InjectedState], 
        tool_call_id: Annotated[str, InjectedToolCallId],
    ) -> Command:
        tool_message = {
            "role": "tool",
            "content": f"Successfully transferred to {agent_name}",
            "name": name,
            "tool_call_id": tool_call_id,
        }
        return Command(  
            goto=agent_name,  
            update={"messages": state["messages"] + [tool_message]},  
            graph=Command.PARENT,  
        )
    return handoff_tool

# 创建Handoffs工具
transfer_to_hotel_assistant = create_handoff_tool(agent_name="hotel_assistant")
transfer_to_flight_assistant = create_handoff_tool(agent_name="flight_assistant")

@tool
defbook_hotel(hotel_name: str):
    """Book a hotel"""
    returnf"成功预订了酒店： {hotel_name}."
@tool
defbook_flight(from_airport: str, to_airport: str):
    """Book a flight"""
    returnf"成功预订了机票从 {from_airport} 到 {to_airport}."

# 机票预订智能体
flight_assistant = create_react_agent(
    # parallel_tool_calls = False, 设置大模型不要并发调用工具，并发调用可能会导致以下错误：
    # ValueError: Found AIMessages with tool_calls that do not have a corresponding ToolMessage.
    model=model.bind_tools([book_flight, transfer_to_hotel_assistant],parallel_tool_calls=False),
    # 绑定两个工具，transfer_to_hotel_assistant 决定当前智能体大模型可以根据需要转移到酒店预订智能体
    tools=[book_flight, transfer_to_hotel_assistant],
    prompt="You are a flight booking assistant",
    name="flight_assistant"
)

# 酒店预订智能体
hotel_assistant = create_react_agent(
    model=model.bind_tools([book_hotel, transfer_to_flight_assistant],parallel_tool_calls=False),
    tools=[book_hotel,transfer_to_flight_assistant],
    prompt="You are a hotel booking assistant",
    name="hotel_assistant"
)

# 定义多智能体图流程
multi_agent_graph = (
    StateGraph(MessagesState)
    .add_node(flight_assistant)
    .add_node(hotel_assistant)
    .add_edge(START, "flight_assistant")
    .compile()
)

for chunk in multi_agent_graph.stream({
        "messages": [
            {
                "role": "user",
                "content": "帮我订一张机票从北京到广州，并且要住在香格里拉大酒店"
            }
        ]
    }
):
    print(chunk)
    print("\n")

运行上述代码，将返回以下结果：

[HumanMessage(content='帮我订一张机票从北京到广州，并且要住在香格里拉大酒店', 
...
ToolMessage(content='成功预订了机票从 北京 到 广州.', name='book_flight', 
...
 ToolMessage(content='Successfully transferred to hotel_assistant', name='transfer_to_hotel_assistant', 
 ...
 ToolMessage(content='成功预订了酒店： 香格里拉大酒店.', name='book_hotel', id='be5ada01-ac03-496d-9456-be824f633e52', tool_call_id='call_vcmljv9xYpkbx6wXlhh0bJJh'), AIMessage(content='您的行程已安排好：机票从北京到广州已经成功预订，并且在广州的香格里拉大酒店的住宿也已成功预订。祝您旅途愉快！',

这里需要特别注意两点：
1、这里需要选择推理能力较强的大模型：如 gpt-4o或deepseek-reasoner，我使用deepseek-chat很难获得正确的结果。不过使用deepseek-reasoner响应速度就比较慢

2、绑定工具时需要设置parallel_tool_calls = False, 设置大模型不要并发调用工具，并发调用可能会导致以下错误：
ValueError: Found AIMessages with tool_calls that do not have a corresponding ToolMessage.

监督者架构（Supervisor）

监督者架构是定义一个监督者智能体，它协调各个智能体的通讯和任务委派，是一个扩展性比较好架构模式。

LangGraph 提供了langgraph-supervisor包可以便利地创建一个监督者多智能体。
如果要使用langgraph-supervisor包，请安装langgraph-supervisor包：

pip install langgraph-supervisor

还是以旅行机票和酒店预订为例，创建一个多智能体示例：

from langchain_deepseek import ChatDeepSeek
from langgraph_supervisor import create_supervisor
from langgraph.prebuilt import create_react_agent
from langchain_anthropic import ChatAnthropic
from langchain_openai import ChatOpenAI

from dotenv import load_dotenv  # 用于加载环境变量
load_dotenv()  # 加载 .env 文件中的环境变量


defbook_hotel(hotel_name: str):
    """Book a hotel"""
    returnf"Successfully booked a stay at {hotel_name}."

defbook_flight(from_airport: str, to_airport: str):
    """Book a flight"""
    returnf"Successfully booked a flight from {from_airport} to {to_airport}."

# 机票预订智能体
flight_assistant = create_react_agent(
    model="openai:gpt-4o",
    tools=[book_flight],
    prompt="You are a flight booking assistant",
    name="flight_assistant"
)

# 酒店预订智能体
hotel_assistant = create_react_agent(
    model="openai:gpt-4o",
    tools=[book_hotel],
    prompt="You are a hotel booking assistant",
    name="hotel_assistant"
)

# 创建一个监督者
supervisor = create_supervisor(
    agents=[flight_assistant, hotel_assistant],
    model=ChatOpenAI(model="gpt-4o"),
    # full_history 全消息记录，last_message 最后智能体的输出
    output_mode="full_history",
    prompt=(
        "You manage a hotel booking assistant and a"
        "flight booking assistant. Assign work to them."
    )
).compile()

for chunk in supervisor.stream(
    {
        "messages": [
            {
                "role": "user",
                "content": "帮我订一张机票从北京到广州，并且要住在香格里拉大酒店"
            }
        ]
    }
):
    print(chunk)
    print("\n")

输出：

[HumanMessage(content='帮我订一张机票从北京到广州，并且要住在香格里拉大酒店', 
...
ToolMessage(content='Successfully transferred to flight_assistant', name='transfer_to_flight_assistant', id='ec6038b2-d8e4-485f-9359-e95047838ab1', tool_call_id='call_QM3Yy1ZRk9kFyAftxG0NwVee'), AIMessage(content='您的航班已成功预订，从北京（PEK）飞往广州（CAN）。关于香格里拉大酒店的住宿预订，请您联系酒店预订服务。祝您旅途愉快 ！如果还有其他问题或需要帮助，请告诉我。', 
...
 ToolMessage(content='Successfully transferred back to supervisor', name='transfer_back_to_supervisor', 
 ...
 ToolMessage(content='Successfully transferred to hotel_assistant', name='transfer_to_hotel_assistant', 

 ...
 AIMessage(content='我已经帮您成功预订了香格里拉大酒店的住宿。如果您有其他需求或者问题，请随时告诉我！祝您旅途愉快！', 
 ...

ToolMessage(content='Successfully transferred back to supervisor', name='transfer_back_to_supervisor', 
...
AIMessage(content='您的航班已成功预订，从北京飞往广州。此外，我也帮您成功预订了香格里拉大酒店 的住宿。祝您旅途愉快！若有其他需求，请随时联系我。',

监督者架构就是每次智能体执行完成后，都会转移到监督者，进行判断，如果满足条件，则将结果返回给用户或者再转移到下一个智能体。从架构上更加清晰，更加符合实际场景。

消息记录模式：
create_supervisor时指定output_mode参数值，full_history 全消息记录，last_message 最后智能体的输出，可以比较节省上下文token

多层监督者架构

如果需要复杂的多组智能体组成，可以构建多层监督者架构，比如：

research_team = create_supervisor(
    [research_agent, math_agent],
    model=model,
    supervisor_name="research_supervisor"
).compile(name="research_team")

writing_team = create_supervisor(
    [writing_agent, publishing_agent],
    model=model,
    supervisor_name="writing_supervisor"
).compile(name="writing_team")

top_level_supervisor = create_supervisor(
    [research_team, writing_team],
    model=model,
    supervisor_name="top_level_supervisor"
).compile(name="top_level_supervisor")

群体架构（swarm）

前面介绍了网络多智能体的架构，其实就是一种群体的智能体架构。
LangGraph也支持这种架构，通过引入langgraph-swarm包，可以轻松实现。
安装langgraph-swarm包

pip install langgraph-swarm

还是以订机票和酒店为例：

from langgraph.prebuilt import create_react_agent
from langgraph_swarm import create_swarm, create_handoff_tool
from langchain_core.tools import  tool
from langchain_deepseek import ChatDeepSeek
from langchain_openai import ChatOpenAI


from dotenv import load_dotenv  # 用于加载环境变量
load_dotenv()  # 加载 .env 文件中的环境变量

# model = ChatDeepSeek(model="deepseek-reasoner")
model = ChatOpenAI(model="gpt-4o")


@tool
defbook_hotel(hotel_name: str):
    """Book a hotel"""
    returnf"Successfully booked a stay at {hotel_name}."

@tool
defbook_flight(from_airport: str, to_airport: str):
    """Book a flight"""
    returnf"Successfully booked a flight from {from_airport} to {to_airport}."

transfer_to_hotel_assistant = create_handoff_tool(
    agent_name="hotel_assistant",
    description="Transfer user to the hotel-booking assistant.",
)


transfer_to_flight_assistant = create_handoff_tool(
    agent_name="flight_assistant",
    description="Transfer user to the flight-booking assistant.",
)

flight_assistant = create_react_agent(
    model=model.bind_tools([book_flight,transfer_to_hotel_assistant], parallel_tool_calls=False),

    tools=[book_flight, transfer_to_hotel_assistant],
    # 有些大模型parallel_tool_calls=False可能不生效，为避免并发调用工具的错误，可以在提示词加上：一次只能调用一个工具，工具不能并发调用
    # Only one tool can be called at a time, and tools cannot be called in parallel
    prompt="You are a flight booking assistant, Only one tool can be called at a time, and tools cannot be called in parallel",
    name="flight_assistant"
)
hotel_assistant = create_react_agent(
    model=model.bind_tools([book_hotel,transfer_to_flight_assistant], parallel_tool_calls=False),

    tools=[book_hotel, transfer_to_flight_assistant],
    prompt="You are a hotel booking assistant, Only one tool can be called at a time, and tools cannot be called in parallel",
    name="hotel_assistant"
)

# 定义一个群体的智能体节点
swarm = create_swarm(
    agents=[flight_assistant, hotel_assistant],
    default_active_agent="flight_assistant"
).compile()

for chunk in swarm.stream(
    {
        "messages": [
            {
                "role": "user",
                "content": "帮我订一张机票从北京到广州，并且要住在香格里拉大酒店"
            }
        ]
    }
):
    print(chunk)
    print("\n")

运行以上代码，会输出：

HumanMessage(content='帮我订一张机票从北京到广州，并且要住在香格里拉大酒店', 
...

ToolMessage(content='Successfully booked a flight from Beijing to Guangzhou.', name='book_flight', 

...
ToolMessage(content='Successfully transferred to hotel_assistant', name='transfer_to_hotel_assistant', 
...
ToolMessage(content='Successfully booked a stay at 香格里拉大酒店.', name0', AIMessage(content='您的行程已 经成功安排：您将从北京飞往广州，并入住香格里拉大酒店。祝您旅途愉快！如果还有其他需求，请告诉我。'

小结

1. 1. 多智能体架构之间的切换原理主要是通过Handoff 和 tool来实现的

2. 2. LangGraph 提供了自定义的Handoff函数，也提供了langgraph-supervisor和langgraph-swarm 包来方便实现监督者架构和群体架构

3. 3. 避坑点：

   • • 选择大模型很重要，需要推理能力比较强的才能较好地处理多智能体，或者可以优化更细致的提示词

   • • 大模型默认为并发调用工具，会导致报错，需要配置parallel_tool_calls=False，或者也可以通过提示词来控制不并行调用工具

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）