10万开发者推荐的LangGraph，Swarm让效率暴涨300%！

• LangGraph Multi-Agent Swarm 是使用 LangGraph 创建 swarm 风格的多代理系统。 其中，Agent根据其专业化动态地将控制权移交给彼此。
• 系统会记住最后一个处于活动状态的座席，确保在后续交互中，与该座席的对话恢复。

那么Multi-Agent Swarm的特点是什么呢？

• 多智能体系统（Multi-Agent System, MAS）由多个自主、独立的智能体（Agent）组成，每个智能体能够感知环境、执行任务，并与其他智能体进行信息共享、任务协调与协同行动，以实现整体目标。
• 智能体（Agents）是系统的基本单元，封装了一组指令和工具，能够独立完成特定任务，并支持任务交接（Handoffs）功能。
• 交接（Handoffs）就是将当前任务或对话交接给其他智能体,确保流程的模块化和高效性
• 多智能体系统强调通信、协作和互动，能够通过分布式计算提高系统的鲁棒性和复杂性

优点：

• 多智能体系统相比单智能体系统具有更高的灵活性和可扩展性，能够处理更复杂的任务 缺点：
• 多智能体系统也面临协调复杂性、任务分配效率等问题，需要通过优化算法和技术手段加以解决

LangGraph Multi-Agent Swarm实战

from langchain_openai import ChatOpenAI

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.prebuilt import create_react_agent
from langgraph_swarm import create_handoff_tool, create_swarm

model = ChatOpenAI(model="gpt-4o")

def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

alice = create_react_agent(
    model,
    [add, create_handoff_tool(agent_name="Bob")],
    prompt="You are Alice, an addition expert.",
    name="Alice",
)

bob = create_react_agent(
    model,
    [create_handoff_tool(agent_name="Alice", description="Transfer to Alice, she can help with math")],
    prompt="You are Bob, you speak like a pirate.",
    name="Bob",
)

checkpointer = InMemorySaver()
workflow = create_swarm(
    [alice, bob],
    default_active_agent="Alice"
)
app = workflow.compile(checkpointer=checkpointer)

config = {"configurable": {"thread_id": "1"}}
turn_1 = app.invoke(
    {"messages": [{"role": "user", "content": "i'd like to speak to Bob"}]},
    config,
)
print(turn_1)
turn_2 = app.invoke(
    {"messages": [{"role": "user", "content": "what's 5 + 7?"}]},
    config,
)
print(turn_2)

LangGraph Multi-Agent Swarm

• 构建Supervisor Agent
• 使用LangGraph框架创建一个Supervisor Agent，该Agent负责协调其他专业智能体（Specialized Agents）。
• Supervisor Agent可以通过调用不同的工具（如websearch、nl2sql等）来处理任务。
• 通过StateGraph定义Supervisor Agent的状态，并通过Edge连接不同的节点，形成一个完整的图结构
• 创建专业智能体
• 为每个任务创建一个专业智能体，每个智能体具有特定的工具和功能。例如，可以创建一个用于网络搜索的智能体、一个用于SQL查询的智能体等
• 每个智能体通过Edge与Supervisor Agent连接，确保任务的传递和处理
• 实现复杂信息流
• 利用LangGraph的DAG（有向无环图）特性，实现复杂的信息流。每个节点代表一个任务或处理步骤，Edge表示任务之间的依赖关系
• 通过LangGraph的内置持久化层，支持任务的回溯和编辑，提高系统的灵活性和可维护性
• 可扩展性其他模块
• LangGraph支持模块化设计，每个智能体可以独立开发和维护，无需修改现有系统即可添加新的智能体
• 通过分层设计，可以创建分层多智能体系统，Supervisor Agent协调多个专业智能体，实现任务的动态分配和通信管理
• 控制与优化
• Supervisor Agent可以根据任务需求动态选择最佳的专业智能体
• 通过LangGraph的高级功能，如状态管理和动态路由，可以优化任务分配和执行流程
• 与其他智能体集成
• LangGraph可以与其他多智能体框架（如AutoGen、CrewAI）集成，实现更复杂的多智能体协作
• 通过封装其他框架的智能体，将其作为LangGraph节点的一部分，实现跨框架的多智能体系统

LangGraph Multi-Agent Swarm的应用场景：

• 增强RAG应用

• 在语义检索相关文档后，评估文档质量，若质量不佳，可重写问题以获得更精确的检索结果
• 例如代码自我纠正、Web访问自动导航等。

• 灵活控制的Agent应用

• 可以指定强制调用某个工具，或增加人机交互步骤，以及灵活更换prompt或LLM。

• 多智能体系统（MAS）

• 由多个AI智能体构成，通过相互关联与协作共同完成任务，每个智能体可以有自己独立的LLM，从而实现复杂任务的分解和协作。

• 对话代理和长运行多步骤LLM应用

• 支持持久检查点、循环和人机交互，适用于需要持续和一致的Agent交互的应用场景。

• 复杂信息流的实现

• 在多智能体LLM系统中，LangGraph支持复杂的循环计算和多步骤操作，适用于需要迭代过程和模拟的应用场景。

• 生产级代理开发

• LangGraph Cloud简化了从开发到部署的流程，支持快速构建生产级HTTP微服务。

• 智能代理检索与生成（RAG）系统

• 通过LangGraph Studio构建智能代理检索与生成系统，支持数据增强和人机交互。

• 高级查询和代码生成

• 在路由和高级查询、返回结构化输出、代码生成等实战场景中的表现。

• 专业报告撰写和多代理协作

• 支持专业报告撰写、多代理协作、多代理团队协作等复杂任务。

• SQL代理和研究特化多代理（STORM）

• 支持SQL代理和研究特化多代理的应用，提升自然语言处理和知识图谱构建能力。

综上，LangGraph Multi-Agent Swarm适用于需要高度灵活性、复杂任务分解、持续交互和多步骤操作的场景，特别是在对话代理、专业报告撰写、代码生成等领域具有显著优势。