🤖 LangGraph 多智能体群集

LangGraph 多智能体群集是一种 Python 库，用于创建基于 LangGraph 的多智能体系统。这种系统允许智能体根据其专业化动态地将控制权交给彼此，并记住最后活跃的智能体，以便在后续交互中继续对话。

基础概念

多智能体协作：不同智能体可以合作并将上下文传递给彼此。
可定制的交接工具：内置工具用于智能体之间的通信。

安装和快速开始

安装库 ：

bash 复制代码

pip install langgraph-swarm langchain-openai

设置 OpenAI API ：
bash 复制代码
```
export OPENAI_API_KEY=
```

创建智能体 ：

python 复制代码

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

# 创建模型
model = ChatOpenAI(model="gpt-4o")

# 定义加法函数
def add(a: int, b: int) -> int:
    return a + b

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

# 创建 Bob 智能体
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",
)

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

# 与智能体交互
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)

内存管理

短期内存 ：使用 InMemorySaver 来维持对话状态。
长期内存 ：使用 InMemoryStore 来存储历史数据。

自定义

自定义交接工具：

python 复制代码

from langchain_core.tools import tool, BaseTool
from langchain_core.messages import ToolMessage
from langgraph.types import Command

def create_custom_handoff_tool(*, agent_name: str, tool_name: str, tool_description: str) -> BaseTool:
    @tool(name=tool_name, description=tool_description)
    def handoff_to_agent(task_description: str, state: dict, tool_call_id: str):
        tool_message = ToolMessage(
            content=f"Successfully transferred to {agent_name}",
            name=tool_name,
            tool_call_id=tool_call_id,
        )
        return Command(
            goto=agent_name,
            graph=Command.PARENT,
            update={
                "messages": [state["messages"][-1], tool_message],
                "active_agent": agent_name,
                "task_description": task_description,
            },
        )

    return handoff_to_agent

自定义智能体实现：

python 复制代码

from langchain_core.messages import AnyMessage
from langgraph.graph import StateGraph

class AliceState:
    alice_messages: list[AnyMessage]

alice = (
    StateGraph(AliceState)
    .add_node("model", ...)
    .add_node("tools", ...)
    .add_edge(...)
    .compile()
)

def call_alice(state):
    response = alice.invoke({"alice_messages": state["messages"]})
    return {"messages": response["alice_messages"]}

workflow = (
    StateGraph()
    .add_node("Alice", call_alice, destinations=("Bob",))
    .add_node("Bob", call_bob, destinations=("Alice",))
)
workflow = add_active_agent_router(workflow, route_to=["Alice", "Bob"], default_active_agent="Alice")
app = workflow.compile()

总结

LangGraph 多智能体群集提供了一个灵活的框架，用于创建多智能体系统。通过自定义交接工具和智能体实现，可以满足不同应用场景的需求。同时，内存管理对于维持对话状态至关重要。