从ReAct到Multi-Agent：LangGraph如何实现智能体间的无缝协作？

从ReAct到Multi-Agent：LangGraph如何实现智能体间的无缝协作？

在LangChain生态日益成熟的今天，我们构建的AI应用正从简单的“问答机器人”向复杂的“智能体协作系统”演进。而LangGraph，作为LangChain生态中用于构建有状态、多步骤AI应用的利器，其核心价值之一就在于对多智能体（Multi-Agent） 系统的优雅支持。【AI大模型教程】

为什么要“多智能体”？

• 智能体（Agent）是什么
  本质是一个能感知环境、基于策略行动以实现目标的“自主体”。在 LangChain/LangGraph 中，哪怕最简单的对话循环也可视为一个智能体。

• 具备感知（输入）、决策（策略/推理）、行动（工具/调用）、学习（记忆/更新）能力。
• 形式上可以是软件角色、机器人、业务微服务、甚至一个“LLM + 工具”组合。

• 为什么会走向多智能体（Multi-agent）
  单体智能体在复杂问题上会遭遇三类瓶颈：

• 工具过载：工具太多导致“调用哪个”的决策困难。
• 上下文负担：长对话导致推理退化。
• 领域专精冲突：规划、检索、计算、执行等专业能力难以在单一提示词里兼顾。
  解决方法是“模块化 + 专精化”：将系统拆分为多个职责单一的小智能体，组合成中/大型系统。

• 多智能体的核心收益

• 模块化：开发、测试、维护成本更低。
• 专精化：专家智能体的鲁棒性更强。
• 可控性：通信/交接路径与策略可显式定义，而不是完全交给 LLM 即兴发挥。

五种典型架构

• 网络（Fully-connected Network）
  任意智能体都可与其他智能体通信。灵活但易“泛滥”，适合探索性、弱流程约束场景。
• 监督者（Supervisor）
  引入一个“调度/路由”智能体，由它决定调用哪个专家。结构清晰，利于审计与限流。
• 监督者（工具调用变体）
  把专家抽象为“工具”，监督者是 ReAct 智能体，通过工具调用来路由。利于快速落地。
• 层级（Hierarchical）
  多个团队各自有监督者，顶层再由总监督者统筹。适合大规模系统或多产品线场景。
• 自定义工作流（Deterministic/Dynamic Mix）
  部分边是固定顺序，部分由 LLM 通过 Command 动态路由。工程中较常见的折中方案。

如果你不确定选哪种架构，先用“监督者（工具调用）”起步，随后按复杂性迭代。

Handoffs & Command

• 交接概念
  智能体执行完当前职责后，决定“结束/继续/转交给他人”。交接的关键是显式描述：

• 目标智能体：goto
• 携带负载（状态更新）：update
• 图域（在哪个图生效）：graph，常见为当前图或 Command.PARENT（从子图跳回父图）

• 最小 Command 模式

• 智能体节点函数返回 Command，用于控制下一步路由；否则返回状态更新结束当前轮次。
• 在工具调用场景中，务必插入配对的“工具结果消息”，以满足多数 LLM 提供商的协议约束（每个 ai_msg 的工具调用，必须跟一个 tool 消息）。

• 常见交接手法

• 直接在智能体节点里决策，返回 Command。
• 把交接包装成一个“工具”，由 LLM 以工具调用的方式触发交接（显著提升统一性）。
• 子图内要交接到父图的其他智能体时，设置 graph=Command.PARENT。

智能体通信与状态设计

• 统一 state（共享消息）
  图中的每一步都接收并产出 state，通常包含 messages。共享完整“草稿”（推理过程）能提升整体推理能力，但要提防上下文爆炸。
• 异构 state（私有草稿 + 共享摘要）
  各智能体维护自己格式的内部状态，借助输入/输出转换与父图 state 对接。

• 优点：清晰边界、可做“信息最小化共享”。
• 技巧：交接时只共享“上一条 AI 回复 + 工具回执”，而非全部草稿。

• 工具调用与负载
  监督者作为 ReAct 节点时，工具的参数就是负载。LangGraph 支持将父图 state 注入到工具（例如 InjectedState），实现“带记忆的交接”。

三种Handoff模式对比与最小代码片段

1. 直接 Command 交接（节点内路由）

• 适用：两个或少数几个智能体的网络架构，逻辑简单、路由清晰。
• 关键点：当 ai_msg.tool_calls 非空，插入工具结果消息，再 goto 下一个智能体。

from typing_extensions import Literalfrom langgraph.types import Commandfrom langgraph.graph import MessagesStatefrom langchain_core.tools import tool@tooldef transfer_to_multiplication_expert():    """向乘法智能体寻求帮助（只用于表明交接意图）"""    returndef addition_expert(state: MessagesState) -> Command[Literal["multiplication_expert", "__end__"]]:    system_prompt = "你是加法专家。若需乘法，请先完成加法，再交接。"    messages = [{"role": "system", "content": system_prompt}] + state["messages"]    ai_msg = model.bind_tools([transfer_to_multiplication_expert]).invoke(messages)    if ai_msg.tool_calls:        tool_call_id = ai_msg.tool_calls[-1]["id"]        tool_msg = {"role": "tool", "content": "成功交接", "tool_call_id": tool_call_id}        return Command(goto="multiplication_expert", update={"messages": [ai_msg, tool_msg]})    return {"messages": [ai_msg]}

• 常见坑

• 遗漏工具结果消息：导致提供商报错或上下文不同步。
• 无限交接：加步数上限或终止条件。

• 建议引入步数预算：

MAX_STEPS = 8def guard_and_return(cmd_or_update, state):    steps = state.get("steps", 0) + 1    if steps > MAX_STEPS:        return {"messages": [{"role": "assistant", "content": "超出步数预算，结束。"}]}    if isinstance(cmd_or_update, Command):        cmd_or_update.update = {**cmd_or_update.update, "steps": steps}        return cmd_or_update    return {"messages": cmd_or_update["messages"], "steps": steps}

2. 交接工具（handoff tool）

• 适用：每个智能体是一个“子图”，通过工具将控制权交还父图并路由到目标智能体。
• 关键点：在工具中返回 Command(goto=..., graph=Command.PARENT, update=...)。

from typing import Annotatedfrom langchain_core.tools.base import InjectedToolCallIdfrom langgraph.prebuilt import InjectedStatefrom langchain_core.tools import toolfrom langgraph.types import Commanddef make_handoff_tool(*, agent_name: str):    tool_name = f"transfer_to_{agent_name}"    @tool(tool_name)    def handoff_to_agent(        state: Annotated[dict, InjectedState],        tool_call_id: Annotated[str, InjectedToolCallId],    ):        tool_message = {            "role": "tool",            "content": f"成功交接到 {agent_name}",            "name": tool_name,            "tool_call_id": tool_call_id,        }        return Command(            goto=agent_name,            graph=Command.PARENT,            update={"messages": state["messages"] + [tool_message]},        )    return handoff_to_agent

• 优点：

• 路由逻辑统一沉淀在“工具层”，智能体代码更干净。
• 便于在团队内部约定交接规范与审计。

3. 预构建 ReAct 智能体（create_react_agent）

• 适用：不需要自定义 ToolNode/循环的场景，快速搭建。
• 要点：把交接工具加入工具列表即可。

from langgraph.prebuilt import create_react_agentfrom langchain_core.tools import tool@tooldef add(a: int, b: int) -> int:    return a + b@tooldef multiply(a: int, b: int) -> int:    return a * baddition_expert = create_react_agent(    model,    [add, make_handoff_tool(agent_name="multiplication_expert")],    prompt="你是加法专家。必要时交接给乘法专家。",)multiplication_expert = create_react_agent(    model,    [multiply, make_handoff_tool(agent_name="addition_expert")],    prompt="你是乘法专家。必要时交接给加法专家。",)

函数 API

当你希望“每个智能体能与所有其他智能体通信”，但又想暂时避开图的节点/边定义时，可以用 LangGraph 函数 API：

• 用 @entrypoint() 定义主流程循环；
• 用 @task 封装对各智能体的调用；
• 通过识别最近一条 AIMessage.tool_calls 决定交接目标；
• 在工具上用 @tool(return_direct=True)，使得代理一旦调用交接工具就立刻“跳出”自身循环，将控制权交回主流程。

工程上建议在主循环里加入：

• 步数上限、异常重试、交接工具白名单校验（防止 LLM“幻想”出未定义的工具名）。

工程化落地的关键要点

• 提示词

• “先做自己职责，再交接”应写入 system prompt。
• 明确输出格式、是否中文、是否需要结构化信息（JSON/Markdown）。

• 终止条件与预算控制

• 设定步数预算、调用预算、时间预算；超限即 __end__。
• 在状态中追踪 steps/cost，并在每轮更新。

• 状态设计与内存治理

• 区分“共享消息”和“私有草稿”；用转换器只暴露必要上下文。
• 引入“摘要工具/裁剪策略”（例如只保留近 N 轮 + 摘要）。

• 工具安全

• 工具入参强类型化（Pydantic 校验）；
• 重要操作前加“确认工具”（双人复核型）；
• 对“交接工具名”设白名单，拒绝未知路由。

• 可观测性与调试

• 使用 graph.stream(..., subgraphs=True) 订阅事件；
• 统一 pretty_print_messages，将 ai/tool 消息流对齐打印；
• 日志里打出 tool_call_id 对应关系，便于问题复盘。

• 性能与并行

• 能“分而治之”的子任务用并行 map，再汇总 reduce；
• 对“冷工具”（慢 IO）启用异步；
• 压测不同架构的延迟/费用分布，形成“选型矩阵”。

• 稳定性与测试

• 构造“金样本对话流”，回归测试交接路径与最终答案；
• 在异常热点处增加 try/except + “安全降级”（例如改用本地规则/缓存）。

常见错误与快速排查

• 少了工具结果消息：每个 ai_msg 的 tool call 后必须追加 1 条 tool 消息。
• 子图交接没指定 Command.PARENT：导致交接“困在子图”。
• update 写错键名或结构：{"messages": [...]}不可缺。
• tool_call_id 不匹配：工具回执里的 ID 必须对应刚触发的 call。
• 未设 START 边或错误路由名：builder.add_edge(START, "node") 别漏。
• 无限循环：缺少步数控制，或提示词没强制“先做自己，再交接”。

总结

多智能体不是“把大模型套上更多提示词”，而是“把复杂问题拆解成可治理的自治单元”，并通过可观测、可控的交接协议把它们编排起来。Command 是编排的内核；state 是沟通的载体；工具是行动的接口；层次/网络/监督者/自定义工作流是架构的选项。 真正跑代码的时候，建议先用最简单的模式跑通端到端，再引入交接工具统一路由，最后按规模演进到层级或混合架构。

我们建了langgraph & langchain 的智能体交流群，感兴趣的朋友可以点赞关注后加群交流