LangGraph智能体开发设计模式（三）——LangGraph多智能体设计模式：主管架构与分层架构

大模型真好玩2026-01-05 19:35

前言

元旦休整一过，"大模型真好玩"如期开启2026年的百篇AI文章计划。首先推出的，仍是承接去年脉络的 LangGraph智能体开发设计模式系列。

上篇文章 LangGraph智能体开发设计模式（二）------协调器-工作者模式、评估器-优化器模式分享了单智能体场景下的两种重要模式------协调器-工作者模式与评估器-优化器模式。至此，基于LangGraph的单智能体五大设计模式已完整呈现，包括：

  • 提示链模式
  • 路由模式
  • 并行模式
  • 协调器-工作者模式
  • 评估器-优化器模式

随着构建智能体技术的不断进步，大家需要解决的任务复杂性已逐渐超越了单一的智能体设计，在面对多维度、跨领域的复杂问题时，即便是基于强大模型构建的单智能体也常显得笨重且不堪重负，过长的上下文、大规模工具（笔者实测单智能体单个模型挂超过20个工具就会不知道该调用哪个工具了）的糟糕决策都注定了要用更加先进的模式。 这些局限性催生了更先进的架构思路------多智能体系统 。我们不再依赖单一智能体处理所有任务，而是将AI应用拆解为一组更小、更专注的智能体，每个智能体具备特定的职责与专业能力。然而，这也引入了新的挑战：如何有效协调多个智能体之间的交互与协作，以达成系统整体目标？

这正是多智能体设计模式所要回答的核心问题。从本期开始笔者将系统介绍LangGraph中的多智能体设计模式，涵盖主管架构 、分层架构 、网络架构三种典型范式，帮助大家构建更灵活、更强大的多智能体应用。

本系列将涵盖常见的工作流模式与多智能体架构模式，预计通过五篇文章展开。相关内容均列于笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》，同时也要说明该专栏适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 35 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学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。

2026年笔者的另一大重心还会放在大模型训练 专栏分享上，当然，谈论训练无法绕过算力这道现实的门槛。昂贵的GPU曾是许多人梦想的拦路石。正因如此笔者今年特意与一些可靠的算力平台展开了合作，希望能为大家解决算力瓶颈。大家可以通过www.lab4ai.cn/register?ag... 注册Lab4ai算力平台 ，提供了包括英伟达H系列在内的多种选择，更有 5小时的免费体验额度。

一、LangGraph多智能体设计模式

1.1 多智能体设计模式概述

多智能体系统的核心在于通过模块化、专业化与受控的通信机制，来构建能够处理复杂业务逻辑的大模型应用。相较于单一的"全能型"智能体，多智能体架构将复杂任务分解为多个更小、更独立的专业智能体，从而显著提升系统的可管理性、灵活性与执行效率。

其核心优势主要体现在以下三个方面：

  1. 模块化：将复杂的单体智能体拆解为多个功能独立的子智能体，每个子智能体可以独立开发、测试、迭代与维护。这不仅降低了单个组件的复杂度，也使得整个系统的开发流程更为清晰和高效。
  2. 专业化 ：每个智能体可以针对特定领域的任务进行深度优化，成为该领域的"专家"，例如专精于信息检索的研究智能体 、擅长逻辑与计算的数学智能体 ，或负责任务拆解与规划的规划智能体。这种分工协作避免了让单个通用模型在所有领域"平均用力"而导致的性能平庸，从而从整体上构建出更强大、更精准的系统。
  3. 受控的通信与协作：与单纯依赖大模型自发进行对话交互不同，多智能体系统允许开发者显式地设计和编排智能体之间的交互协议、信息交换格式与协同流程。这种受控的协作机制确保了任务执行的可预测性、稳定性和可追溯性，是实现复杂、多步骤工作流的关键。

1.2 多智能体设计模式架构简介

LangGraph为构建和编排多智能体系统提供了强大的框架，其基于图的架构本身就非常适合表示和管理多个智能体间的交互。在 LangGraph 中，连接和编排多个智能体有多种成熟的架构模式，每种模式都针对不同的协作场景和系统目标，拥有其独特的优势与适用领域。

在本系列文章中，笔者将深入探讨 LangGraph 中三种主流的多智能体架构模式：

  • 主管架构 (Supervisor Architecture)
  • 分层架构 (Hierarchical Architecture)
  • 网络架构 (Networked Architecture)

笔者将通过具体的代码实例，逐一解析它们的设计思想、实现方式以及典型应用场景。

二、主管架构

2.1 主管架构概念

主管架构是多智能体系统的核心模式之一，适用于需要明确的中心控制点 来管理与指导协作流程的场景。在该架构中，一个指定的主管智能体（Supervisor） 扮演着中央协调员的角色，负责监督、决策并指挥多个专业智能体（Specialist Agents） 的活动。

主管架构模式与我们日常的工作组织方式高度相似：想象一位项目经理（主管智能体），他接收任务请求，将其拆解并委派给最合适的专业成员（专业智能体），最后汇总和管理所有成员的输出以形成最终成果。在主管架构中，专业智能体与外部环境（包括用户）的通信，大多数情况下都通过主管智能体进行路由。这种集中式的控制机制使得整个系统具备高度的可预测性 与可管理性，非常适合需要结构化、多步骤协调的复杂任务。

这时大家可能会问，在LangGraph智能体开发设计模式（二）------协调器-工作者模式、评估器-优化器模式分享的协调器-工作者工作流也是先规划编排，然后分发给不同大模型去执行呀，它和主管架构有什么区别呢？

确实，主管架构与协调器-工作者工作流在表面上看都涉及一个"中央协调实体"，但它们在抽象层次 和设计目的上存在本质不同：

维度 主管架构 (Supervisor Architecture) 协调器-工作者工作流 (Coordinator-Worker Workflow)
抽象层级 高级系统架构 模式。它定义了如何组织多个智能体并构建它们之间的交互关系。 低级任务执行 模式。它描述了如何处理一个单一复杂任务的分解与执行流程。
核心关注点 智能体管理 与系统协调 。主管智能体决定在给定上下文下，应该调用哪个专业智能体来参与工作。 任务分解 与执行效率 。协调器负责将一个任务 拆分为子任务，并分发给工作者高效完成。
组件性质 核心组件是具备决策能力和专门角色的自主智能体。 核心组件通常是执行预定义操作的大模型调用或函数。

为了更好地理解，笔者这里使用一个比喻：

  • 主管架构 就像一家公司的整体组织结构。CEO（主管智能体）管理着不同的部门（专业智能体），如市场部、工程部。他决定哪些部门参与某个项目，并协调部门间的合作。
  • 协调器-工作者工作流 则像是某个部门（如工程部）内部使用的项目管理方法。工程经理（协调器）使用敏捷开发等方法，将大型软件项目（任务）拆分为小任务，分发给各位开发者（工作者）完成。

简言之，协调器-工作者工作流 是某个部门（或智能体）内部用于完成工作的"工具"或"方法"；而主管架构是整个多智能体"组织"赖以运行和管理的"顶层设计"。

2.2 主管架构代码实战

理论描述或许不够直观，接下来笔者将通过一个完整的代码实例，演示如何在 LangGraph 中实现主管架构。笔者将构建一个由主管智能体 管理两个专业智能体（数学智能体、研究智能体）的简易系统。

在 LangGraph 中，实现主管架构的核心在于：在图中设置特定节点作为专业智能体，并引入一个中央主管节点来决策下一个激活的智能体节点。控制该流程的关键机制是 LangGraph 的 Command 对象。然而，从零开始搭建涉及状态流转和控制逻辑，过程较为复杂。

为了简化开发，LangChain 团队推出了 langgraph-supervisor 类库。下面，我们将使用这个类库，通过一个具体案例来演示主管架构的实现。

  1. 环境配置： 首先需要安装 langgraph-supervisor 类库。在激活的anaconda langchain虚拟环境中执行以下命令：pip install langgraph-supervisor:

  2. 引入相关依赖： 在项目文件夹下新建 .env 文件，填入你的 DEEPSEEK_API_KEY。随后引入必要的依赖。

    python 复制代码 
    from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.tools import tool
from langchain_deepseek import ChatDeepSeek
from langchain.agents import create_agent
from langgraph_supervisor import create_supervisor
from dotenv import load_dotenv

load_dotenv()

llm = ChatDeepSeek(
    model="deepseek-chat",
)

  3. 定义专业智能体： 利用 LangChain 的 create_agent API 定义两个专业智能体：数学智能体 和研究智能体，并分别为它们配备专用工具。

    python 复制代码 
    @tool
def add(a: float, b: float) -> float:
    """将两个数字相加"""
    return a + b


@tool
def multiply(a: float, b: float) -> float:
    """将两个数字相乘"""
    return a * b


@tool
def web_search(query: str) -> str:
    """
    模拟网络搜索功能，返回2025年谷歌和Facebook的员工数
    """
    if "谷歌" in query or "google" in query.lower():
        return "2025年谷歌的员工数是182545人"
    elif "facebook" in query.lower() or "meta" in query.lower():
        return "2025年Facebook（Meta）的员工数是67043人"
    else:
        return "未找到相关信息"

math_agent = create_agent(
    model=llm,
    tools=[add, multiply],
    system_prompt="你是一个数学智能体，负责处理数字计算任务。",
    name='math_agent'
)

research_agent = create_agent(
    model=llm,
    tools=[web_search],
    system_prompt="你是一个研究智能体，负责处理信息搜索任务。",
    name='research_agent'
)

  4. 创建主管工作流： 利用 create_supervisor 函数创建主管工作流，并通过 compile 方法将其编译为可执行的 LangGraph 应用程序。这里笔者为核心的主管智能体编写了详细的调度提示词。

    python 复制代码 
    supervisor_prompt = """你是主管智能体，负责协调和管理两个专业智能体：
- math_agent（数学智能体）：负责数字计算，包括加法和乘法
- research_agent（研究智能体）：负责信息搜索，特别是网络搜索

根据用户的问题，决定调用哪个智能体：
- 如果需要搜索信息（如公司数据、统计数据等），调用research_agent
- 如果需要进行数学计算（如数字相加、相乘等），调用math_agent
- 如果任务完成，返回FINISH

请确保按照合理的顺序调用智能体。例如，如果需要计算总数，先调用research_agent获取数据，再调用math_agent进行计算。"""

workflow = create_supervisor(
    [math_agent, research_agent],
    model=llm,
    prompt=supervisor_prompt,
)


app = workflow.compile()

  5. 编译并运行工作流： 向编译好的应用程序输入一个问题，观察主管架构如何协调两个专业智能体完成任务。运行结果如下图所示，主管智能体成功协调了整个流程：首先调用研究智能体 获取两家公司的员工数据，随后调用数学智能体对这两个数字进行求和计算，最终返回了正确的结果。

    python 复制代码 
    result = app.invoke({
    "messages": [HumanMessage(content="2025年谷歌和Facebook的员工数总数是多少？")]
})

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

三、分层架构

3.1 分层架构概念

主管架构虽然相比单智能体系统在管理复杂性上有显著提升，但在处理大量专业智能体 或超高复杂度任务 时，其设计瓶颈依然会显现。试想，随着主管智能体直接管理的下属智能体数量增长，其决策路径将变得异常复杂，需要维护的上下文信息也会过于庞大，最终可能导致决策效率降低、响应迟缓。为了解决单层主管架构的可扩展性问题 ，LangGraph引入了分层架构。

分层架构的核心思想是将组织结构扁平化 。它不再让单个主管智能体直接管理所有专业智能体，而是先将专业智能体按功能或领域划分成不同的团队 。每个团队由一个团队级主管智能体 （或称为"中层主管"）管理。随后，再引入一个顶层主管智能体来监督和协调这些团队主管的活动。

这种结构与企业的组织层级高度相似。例如，我们可以设置一个 "研究团队" 主管，负责管理研究智能体和数学智能体；同时设置一个 "写作团队" 主管，管理写作智能体和发布智能体。当用户提出一个综合性请求时（如"研究并发布一份报告"），顶层主管 会首先判断任务性质，决定是调用"研究团队"还是"写作团队"，或者决定它们的执行顺序。随后，被选中的团队主管 再在其内部，将具体任务分派给对应的专业智能体执行。

3.2 分层架构代码实战

langgraph-supervisor 类库的优势在于其良好的可组合性，能够自然地扩展以支持分层系统。可以先为每个团队创建独立的团队级主管工作流 ，然后将这些团队工作流作为"子智能体"，组合到一个顶层主管工作流之下。

接下来笔者将在前文主管架构例子的基础上进行扩展，构建一个包含 "研究团队" 和 "写作团队" 的两层系统，并由一个 "顶层主管" 进行统一协调。

  1. 引入相关依赖： 此部分与主管架构示例相同，用于配置环境和基础模型。

    python 复制代码 
    from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.tools import tool
from langchain_deepseek import ChatDeepSeek
from langchain.agents import create_agent
from langgraph_supervisor import create_supervisor
from dotenv import load_dotenv

load_dotenv()

llm = ChatDeepSeek(
    model="deepseek-chat",
)

  2. 定义工具函数: 新增了用于写作和发布的工具函数，并为所有工具添加了 print 语句，以便在运行时清晰地观察调用链。

    python 复制代码 
    @tool
def add(a: float, b: float) -> float:
    """将两个数字相加"""
    print('调用相加函数')
    return a + b


@tool
def multiply(a: float, b: float) -> float:
    """将两个数字相乘"""
    print('调用相乘函数')
    return a * b


@tool
def web_search(query: str) -> str:
    """
    模拟网络搜索功能，返回2025年谷歌和Facebook的员工数
    """
    print('调用搜索函数')
    if "谷歌" in query or "google" in query.lower():
        return "2025年谷歌的员工数是182545人"
    elif "facebook" in query.lower() or "meta" in query.lower():
        return "2025年Facebook（Meta）的员工数是67043人"
    else:
        return "未找到相关信息"


@tool
def write_report(content: str) -> str:
    """
    模拟写作功能，将内容整理成报告格式
    """
    print('调用写报告函数')
    return f"报告内容：\n{content}\n\n报告生成完毕。"


@tool
def publish_report(report: str) -> str:
    """
    模拟发布功能，将报告发布到平台
    """
    print('调用发布函数')
    return f"报告已成功发布：\n{report}"

  3. 定义智能体： 创建四个专业智能体，分别隶属于后续的研究团队和写作团队。

    python 复制代码 
    math_agent = create_agent(
    model=llm,
    tools=[add, multiply],
    system_prompt="你是一个数学智能体，负责处理数字计算任务。",
    name='math_agent'
)

research_agent = create_agent(
    model=llm,
    tools=[web_search],
    system_prompt="你是一个研究智能体，负责处理信息搜索任务。",
    name='research_agent'
)

writing_agent = create_agent(
    model=llm,
    tools=[write_report],
    system_prompt="你是一个写作智能体，负责调用wirte_report函数撰写报告。",
    name='writing_agent'
)

publishing_agent = create_agent(
    model=llm,
    tools=[publish_report],
    system_prompt="你是一个发布智能体，负责调用publish_report函数发布报告。",
    name='publishing_agent'
)

  4. 定义并编译团队级主管工作流： 将数学和研究智能体打包成 "研究团队" ，将写作和发布智能体打包成 "写作团队" ，并分别为它们创建团队主管，该步骤是实现分层的关键。

    python 复制代码 
    research_team_prompt = """你是研究团队的主管，负责协调以下智能体：
- math_agent（数学智能体）：负责数字计算，包括加法和乘法,涉及数学计算必须使用该智能体
- research_agent（研究智能体）：负责信息搜索，信息搜索必须使用该智能体

根据任务需求，决定调用哪个智能体：
- 如果需要搜索信息（如公司数据、统计数据等），调用research_agent
- 如果需要进行数学计算（如数字相加、相乘等），调用math_agent
- 如果研究任务完成，返回FINISH

请确保按照合理的顺序调用智能体。例如，如果需要计算总数，先调用research_agent获取数据，再调用math_agent进行计算。"""

research_team_supervisor = create_supervisor(
    [math_agent, research_agent],
    model=llm,
    prompt=research_team_prompt,
)

research_team = research_team_supervisor.compile(name='research_team')


writing_team_prompt = """你是写作团队的主管，负责协调以下智能体：
- writing_agent（写作智能体）：负责将研究结果整理成报告
- publishing_agent（发布智能体）：负责将报告发布到平台

根据任务需求，决定调用哪个智能体：
- 如果需要将内容整理成报告，调用writing_agent
- 如果需要将报告发布到平台，调用publishing_agent
- 如果写作和发布任务完成，返回FINISH

请确保按照合理的顺序调用智能体：先调用writing_agent生成报告，再调用publishing_agent发布报告。"""

writing_team_supervisor = create_supervisor(
    [writing_agent, publishing_agent],
    model=llm,
    prompt=writing_team_prompt
)

writing_team = writing_team_supervisor.compile(name='writing_team')

  5. 定义并编译顶层主管工作流： 将已编译好的 research_team 和 writing_team 工作流（它们本身也是可调用的智能体单元）作为成员，交给 顶层主管 进行协调。

    python 复制代码 
    supervisor_prompt = """你是最高主管智能体，负责协调和管理两个专业团队：
- research_team（研究团队）：负责研究和数据分析，包括数学计算和信息搜索
- writing_team（写作团队）：负责报告撰写和发布

根据用户的问题，决定调用哪个团队：
- 如果需要研究数据、搜索信息或进行数学计算，调用research_team
- 如果需要撰写报告或发布内容，调用writing_team
- 如果任务完成，返回FINISH

请确保按照合理的顺序调用团队。例如，如果需要生成并发布一份报告，先调用research_team获取数据，再调用writing_team撰写和发布报告。"""

workflow = create_supervisor(
    [research_team, writing_team],
    model=llm,
    prompt=supervisor_prompt,
)


app = workflow.compile()

  6. 运行测试： 向这个分层系统提出一个综合性请求。从运行结果和控制台输出可以清晰看到整个分层协作流程

    python 复制代码 
    result = app.invoke({
    "messages": [HumanMessage(content="请帮我研究2025年谷歌和Facebook的员工数总数，然后生成一份报告并发布。")]
})

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

四、总结

本篇分享了LangGraph多智能体系统的两种核心架构。主管架构通过主管智能体管理多个专业智能体，适合结构化任务。为解决其扩展性问题，分层架构引入了团队与层级概念，由顶层主管协调团队主管，从而分担决策压力，提升系统处理复杂任务的能力。除了主管价格和分层价格，另一种更平等的智能体网络价格也是LangGraph多智能体开发的重要设计模式之一，下篇内容笔者将分享LangGraph多智能体的网络架构，大家敬请期待~

《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。目前已更新35讲，正在更新LangGraph1.0速通指南，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。

2026年笔者的另一大重心还会放在大模型训练 专栏分享上，当然，谈论训练无法绕过算力这道现实的门槛。昂贵的GPU曾是许多人梦想的拦路石。正因如此笔者今年特意与一些可靠的算力平台展开了合作，希望能为大家解决算力瓶颈。大家可以通过www.lab4ai.cn/register?ag... 注册Lab4ai算力平台 ，提供了包括英伟达H系列在内的多种选择，更有 5小时的免费体验额度。

相关推荐
wenzhangli712 小时前
Ooder A2UI 框架中的矢量图形全面指南
人工智能
躺柒12 小时前
读共生：4.0时代的人机关系07工作者
人工智能·ai·自动化·人机交互·人机对话·人机关系
码丽莲梦露12 小时前
ICLR2025年与运筹优化相关文章
人工智能·运筹优化
ai_top_trends12 小时前
2026 年度工作计划 PPT 模板与 AI 生成方法详解
人工智能·python·powerpoint
小真zzz12 小时前
2025年度AIPPT行业年度总结报告
人工智能·ai·powerpoint·ppt·aippt
村口曹大爷13 小时前
2026年人工智能深度技术报告：架构范式转移、代理化开发生态与算力经济的重构
人工智能·重构·架构
ISACA中国13 小时前
免费公益培训：人工智能审计和 AI 审计实务
人工智能·免费资源·aaia·人工智能审计专家认证·公益培训·ai 审计
aloha_78913 小时前
agent智能体学习（尚硅谷，小智医疗）
人工智能·spring boot·python·学习·java-ee
zhongerzixunshi14 小时前
把握申报机遇 赋能高质量发展
大数据·人工智能
昨夜见军贴061614 小时前
IACheck AI审核如何实现自动化来料证书报告审核，全面提升生产效率与合规水平
运维·人工智能·自动化
热门推荐
01GitHub 镜像站点02安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）03手把手教你通过Gemini3 pro 学生认证，白用一年，手慢无！04Linux下V2Ray安装配置指南05Labelme从安装到标注：零基础完整指南06jdk21下载、安装（Windows、Linux、macOS）07GitLab 零基础入门指南：从安装到项目管理全流程08UV安装并设置国内源09【踩坑笔记】50系显卡适配的 PyTorch 安装102025 最新教程：注册并切换到美区 Apple ID