LangGraph实战项目：从零手搓DeepResearch（三）——LangGraph多智能体搭建与部署

前言

上篇文章《LangGraph实战项目：从零手搓DeepResearch（二）------DeepResearch架构设计与实现》详细分享了如何基于 Pipeline-Agent 架构编写多智能体，实现了一个完整的 DeepResearch 应用。该系统通过任务规划、网络搜索和报告生成三个核心智能体的协同工作，通过代码完成了从问题分析到研究报告生成的全流程。

不过，上篇文章结尾留下了一个值得思考的问题：既然身处 LangChain/LangGraph 的开发环境，而 LangGraph 本身就是一个天然的多智能体框架，为什么不直接利用它来整合这三个智能体，构建更优雅的多智能体应用呢？本期文章就来深入探讨如何利用 LangGraph 的图模式重新构建 DeepResearch 多智能体应用，并将最终成果部署为可访问的 Web 服务。让我们一起来看看这个升级过程吧！

《深入浅出LangChain&LangGraph AI Agent 智能体开发》专栏内容源自笔者在实际学习和工作中对 LangChain 与 LangGraph 的深度使用经验，旨在帮助大家系统性地、高效地掌握 AI Agent 的开发方法，在各大技术平台获得了不少关注与支持。目前基础部分已更新 20 讲，接下来将重点推出实战项目篇，并随时补充笔者在实际工作中总结的拓展知识点。如果大家感兴趣，欢迎关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号 大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。

一、 LangGraph多智能体图结构封装

接下来，我们将上篇文章中编写的三个智能体------任务规划智能体、网络搜索智能体和报告生成智能体使用 LangGraph 封装成一个完整的图结构。

该图共包含五个节点：

一个开始节点
一个结束节点
三个智能体节点

节点之间的连接顺序为：
任务规划智能体 → 网络搜索智能体 → 报告生成智能体

以下的代码会涉及到比较多的LangGraph底层图搭建的基本内容，不太了解的大家可参考笔者文章深入浅出LangGraph AI Agent智能体开发教程（六）---LangGraph 底层API入门。下面是具体步骤:

首先引入构建图的依赖:

python 复制代码

from langchain_core.runnables import Runnable
from langgraph.graph import StateGraph, MessagesState, START, END

这里的MessageState是LangGraph内置的State类型，其源码结构如下:(与笔者在文章《深入浅出LangGraph AI Agent智能体开发教程（八）---LangGraph底层API实现ReACT智能体》中多轮对话机器人实现一致，通过列表保存上下文消息)

python 复制代码

class MessagesState(TypedDict): 
    messages: Annotated[list, add_messages]

将任务规划智能体封装为 LangGraph 节点。该节点从消息列表中取出最近的用户提问，本图中不同智能体间的消息传递全部通过消息列表messages传递。调用 planner_chain 生成 WebSearchPlan，并加入异常处理逻辑，确保类型解析的稳定性：

python 复制代码

def planner_node(state: MessagesState):
    user_query = state['messages'][-1].content
    raw = planner_chain.invoke({
        'query': user_query
    })

    # 这里要注意的是 执行结果可能是WebSearchPlan类型，也可能是字典类型（被python解析了), 为了严谨性，这里加一个捕捉一场逻辑
    try:
        plan = parse_obj_as(WebSearchPlan, raw)
    except ValidationError:
        if isinstance(raw, dict) and isinstance(raw.get('searches'), list):
            plan = WebSearchPlan(
                searches = [WebSearchItem(query=q, reason=r) for q,r in raw['searches']]
            )
        else:
            raise

    return {
        'plan': plan, # 保存原生对象到状态中，后面节点也可以直接使用
        'messages': [AIMessage(content=plan.model_dump_json())]
    }

将网络搜索智能体封装为LangGraph节点，遍历搜索列表，调用搜索智能体获取结果，并将所有搜索摘要整合为一条 AI 消息：，

python 复制代码

def search_node(state: MessagesState):
    plan_json = state["messages"][-1].content
    plan = WebSearchPlan.model_validate_json(plan_json)

    summaries = []
    for item in plan.searches:
        run = search_agent.invoke({"messages": [HumanMessage(content=item.query)]})
        msgs = run['messages']
        # 取可读内容：也就是最后一条ToolMessage 或 AIMessage的内容
        readable = next(
            (m for m in reversed(msgs) if isinstance(m,(ToolMessage, AIMessage))), msgs[-1]
        )
        summaries.append(f'## {item.query}\n\n{readable.content}')
    combined = "\n\n".join(summaries)
    return {
        'messages': [AIMessage(content=combined)]

将报告编写智能体转化为LangGraph节点，将原始问题和搜索摘要整合，输入writer_chain生成最终报告:

python 复制代码

def writer_node(state: MessagesState):
    original_query = state['messages'][0].content
    combined_summary = state['messages'][-1].content

    writer_input = (
        f'原始问题: {original_query}\n\n'
        f'搜索摘要：\n{combined_summary}'
    )

    report:ReportData = writer_chain.invoke({'content': writer_input})

    return {
        'messages': [AIMessage(content=json.dumps(report.dict, ensure_ascii=False, indent=2))]
    }

添加对应的点和边完成图的构建与编译:

python 复制代码

# 构建图
builder=StateGraph(MessagesState)
builder.add_node("planner node", planner_node)
builder.add_node("search node",search_node)
builder.add_node("writer node", writer_node)

builder.add_edge(START, 'planner_node')
builder.add_edge('planner_node', 'search_node')
builder.add_edge('search_node', 'writer_node')
builder.add_edge('writer_node', END)

graph = builder.compile()

编译完成后可以测试该 DeepResearch 应用，例如让它生成一份关于"人工智能伦理"的研究报告：

python 复制代码

initial_state = {
    'messages': [HumanMessage(content='请生成一份关于人工智能伦理的研究报告')]
}
final_state = graph.invoke(initial_state)

print(final_state['messages'][-1].content)

可以看到智能体成功输出了一份指定格式的报告内容：

二、多智能体应用部署

除了使用 LangGraph 框架整合三个智能体外，还需要进一步完善应用功能。目前的应用还停留在代码运行层面，距离真正的可用产品还有差距。该项目的目标是将构建好的智能体打包上线，让用户能够通过前端界面实时体验其运行效果。

下面笔者将利用 LangGraph 的技术生态，快速完成 DeepResearch 多智能体应用的打包和部署。这部分内容在笔者的教程中已有详细讲解，具体步骤可参考：深入浅出LangGraph AI Agent智能体开发教程（五）--- LangGraph 数据分析助手智能体项目实战

2.1 后端服务部署

创建一个名为langgraph_chatbot文件夹作为项目根目录

在文件夹中新建requirements.txt文件, 填入项目运行所需的依赖：

python 复制代码

pydantic
python-dotenv
langgraph
langchain-core
langchain-deepseek
langchain-tavily
langsmith
langchain-openaidapters
UV

新建 .env 文件，填入敏感信息配置，这里要注意的是如果不需要LangSmith监控智能体运行状态，不需要设置中间三个环境变量，关于LangSmith API KEY的注册使用大家可以参考笔者的文章：深入浅出LangGraph AI Agent智能体开发教程（四）---LangGraph全生态开发工具使用与智能体部署
python 复制代码
```
DEEPSEEK_API_KEY=
LANGSMITH_TRACING=true
LANGSMITH_API_KEY=
LANGSMITH_PROJECT=langgraph_studio_chatbot
TAVILY_API_KEY=
```
创建 graph.py 文件，将之前编写的智能体代码整合到该文件中，直至完成 graph = builder.compile()。由于篇幅原因具体代码这里就不再赘述，大家需要源码的可关注笔者的同名微信公众号 大模型真好玩 ，并私信LangChain智能体开发免费获取该系列所有代码。
创建langgraph.json文件，在该json文件中配置项目入口和依赖信息。遵循规范如下:
- 必须包含 dependencies和graphs 字段
- graphs 字段格式:"图名":"文件路径:变量名"
- 配置文件必须放在与Python文件同级或更高级的目录
- 注意:项目文件的名称必须为langgraph.json。
python 复制代码
```
{
  "dependencies": [
    "./"
  ],
  "graphs": {
    "chatbot": "./graph.py:graph"
  },
  "env": ".env"
}
```
进入到langgraph_chatbot文件夹下，执行langgraph dev即可启动项目。启动成功后看到三个链接，第一个链接是部署完成的服务端口，第二个是LangSmith的监控页面，第三个是端口的说明文档。

2.2 前端界面部署

部署好后端服务后我们还需要为当前后端接入一个前端页面，详细步骤如下：

访问 Agent Chat UI GitHub 页面，克隆项目到本地：
在已安装 node.js 的基础上，进入 agent-chat-ui 文件夹，依次执行以下命令：
python 复制代码
```
npm install # 安装项目依赖
npm run dev # 启动开发服务器
```
打开http://localhost:3000，在配置项中填入后端langgraph.json中定义的入口名称: chatbot，点击确认后会跳转到对话页面。在对话页面中输入测试问题：请帮我创建一份人工智能在教育领域的应用报告
可以看到智能体成功调用了搜索工具，查询了多个网页，并最终生成完整的研究报告:

三、总结与展望

本文详细演示了如何利用LangGraph构建包含任务规划、网络搜索和报告生成三个智能体的DeepResearch应用，并完成了前后端一体化部署。通过图结构封装和多节点协同，实现了从问题输入到研究报告生成的全流程自动化。这里还是要说一句，当前实现的DeepResearch仅为基础版本，其实目前业界已有多种成熟的架构设计。下一期笔者将深入解析主流的DeepResearch开源架构，并分享如何高效阅读和理解复杂智能体的源码实现，帮助大家掌握更高级的多智能体系统设计模式。大家敬请期待。