多智能体协作模式

目录

[5.3.1 多智能体协作原理](#5.3.1 多智能体协作原理)

[1. 核心设计理念](#1. 核心设计理念)

[2. 关键协作机制](#2. 关键协作机制)

[3. 状态传递与增量更新](#3. 状态传递与增量更新)

[4. 并发与聚合](#4. 并发与聚合)

[5. 技术实现要点](#5. 技术实现要点)

[6. 应用场景](#6. 应用场景)

[5.3.2 多智能体协作核心组件与模式分类](#5.3.2 多智能体协作核心组件与模式分类)

[1. 多智能体协作核心组件](#1. 多智能体协作核心组件)

[2. 多智能体协作模式分类](#2. 多智能体协作模式分类)

[5.3.3 实战案例：固定流水线模式的实现](#5.3.3 实战案例：固定流水线模式的实现)

[1. 场景定义](#1. 场景定义)

[2. 环境配置与工具定义](#2. 环境配置与工具定义)

[5. 构建LangGraph协作流程（流水线模式）](#5. 构建LangGraph协作流程（流水线模式）)

[7. 适用场景与扩展方向](#7. 适用场景与扩展方向)

【示例5.3】多智能体数据分析协作系统实现代码（Langgraph_deepseek_multi_agent）。

---

LangGraph开发AI Agent实践（人工智能技术丛书）【行情 报价 价格 评测】-京东

LangGraph是LangChain生态下的图结构工作流框架，专为状态管理和多智能体协作而设计。它基于有向图模型抽象智能体交互逻辑，核心优势在于：

• 显式状态管理：支持复杂上下文流转与持久化。
• 循环与分支能力：天然适配多智能体分工、决策、迭代优化场景。
• 容错与可追溯：每一步执行轨迹可回溯，支持断点续跑。
• 生态兼容：无缝对接LangChain智能体（Agent）、工具（Tool）、模型（LLM）。

5.3.1 多智能体协作原理

LangGraph的多智能体协作原理基于有向图结构编排智能体间的交互流程，结合状态管理和控制流机制实现复杂协作逻辑。以下是其核心原理的解析。

1. 核心设计理念

1）图即工作流

• 将协作流程建模为有向图，节点代表智能体（或工具），边定义交互路径。
• 支持循环、分支、并行等拓扑结构，适应动态决策场景。

2）共享状态驱动

• 全局状态对象（State）贯穿整个图的执行过程，智能体通过读写状态实现信息同步。
• 状态更新触发节点间的条件转移，实现协作逻辑的流转。

2. 关键协作机制

1）智能体封装与专业化

每个智能体封装为独立节点，具备：

• 专用系统提示词（角色定义、能力描述）。
• 工具调用权限（API、函数、计算资源）。
• 上下文感知（读取历史消息与中间结果）。

例如：Coder、Reviewer、Executor分工处理代码任务。

2）可控交互流程

示例：条件路由实现决策分支

def should_continue(state: State):

if state"code_quality" >= 0.8:

return "end" # 质量达标则终止

else:

return "review" # 否则跳转至评审节点

3. 状态传递与增量更新

采用消息累加器模式：

• 智能体不直接修改历史记录，而是追加新消息到共享状态。
• 支持结构化状态（如{messages: ..., draft: "...", feedback: "..."}）。

4. 并发与聚合

• 并行节点：多个智能体同时处理子任务（如并行调研不同数据源）。
• 聚合节点：合并并行结果，生成统一输出（如投票决策、结果合成）。

5. 技术实现要点

• 状态管理：使用Checkpointer持久化状态，支持暂停/恢复、回溯调试；使用消息剪枝策略控制上下文长度。
• 流式响应：支持实时返回中间结果（如逐节点输出），提升用户体验。
• 人类介入：预设中断点允许人工审核或修改状态，实现人机协同。
• 容错与回溯：节点失败时可触发重试或转向备用分支，支持子图嵌套复用。

6. 应用场景

• 复杂任务分解（如产品设计、技术方案制定）。
• 多角色模拟（面试训练、辩论赛）。
• 自动化流水线（CI/CD+AI评审）。
• 决策支持系统（多专家投票分析）。

5.3.2 多智能体协作核心组件与模式分类

1. 多智能体协作核心组件

LangGraph构建多智能体系统的核心元素包括：

• Graph：协作流程容器，定义节点与边的关系。
• Node：智能体实例或功能单元（如信息收集、分析、决策、执行工具）。
• Edge ：节点间的流转规则（条件分支、循环、强制跳转）。
• State ：全局共享状态（存储任务目标、中间结果、智能体交互记录等）。
• ConditionalEdge：条件边，根据状态内容动态决定下一个执行节点（核心协作调度逻辑）。

2. 多智能体协作模式分类

LangGraph支持主流多智能体协作范式，适配不同业务场景。

1）流水线模式（Pipeline）

• 特点：智能体按固定顺序分工执行，前一个智能体的输出作为后一个的输入。
• 适用场景：结构化任务（如数据处理、报告生成、内容创作）。
• 示例：数据采集智能体→数据清洗智能体→分析智能体→报告生成智能体。

2）决策调度模式（Router）

• 特点：存在调度智能体，根据任务状态动态分配给对应执行智能体。
• 适用场景：多任务类型混合、需要动态分工的场景。
• 示例：调度智能体→（根据任务类型）→写作智能体/数据分析智能体/工具执行智能体。

3）循环迭代模式（Loop）

• 特点：智能体协作形成闭环，持续优化结果直到满足终止条件。
• 适用场景：复杂问题求解、多轮修正（如代码调试、方案优化）。
• 示例：问题分析智能体→执行智能体→评估智能体→（若不满足条件，则返回问题分析）。

4）混合模式

• 特点：结合以上多种模式，适配超复杂场景（如企业级AI助手、自动化办公系统）。

5.3.3 实战案例：固定流水线模式的实现

1. 场景定义

构建一个自动化数据分析系统，包含4个智能体，协作完成"用户需求→数据获取→分析→可视化→报告生成"全流程。

• 需求解析智能体：将用户自然语言需求转换为结构化分析目标（如指标定义、时间范围）。
• 数据采集智能体：根据结构化目标调用工具获取数据（模拟调用数据库/API）。
• 数据分析智能体：对采集到的数据进行计算、统计分析。
• 报告生成智能体：整合分析结果，生成自然语言报告+可视化描述。

2. 环境配置与工具定义

#本小节代码参看配套资源中代码文件5.3.3.py

import os

import pandas as pd

import matplotlib.pyplot as plt

from dotenv import load_dotenv

from langchain_openai import ChatOpenAI #支持 OpenAI 兼容 DEEPSEEK_API

from langgraph.graph import Graph, StateGraph, END

from typing import TypedDict

加载环境变量（需配置 DASHSCOPE_API_KEY）

load_dotenv()

使用 DeepSeek 的 OpenAI 兼容 API

llm = ChatOpenAI(

model="deepseek-chat", # 或 "deepseek-coder" 等

temperature=0,

api_key=os.getenv("DASHSCOPE_API_KEY"),

base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" # DeepSeek 的 OpenAI 兼容端点

)

模拟数据采集工具（保持不变）

def fetch_data(metric: str, time_range: str) -> pd.DataFrame:

"""模拟根据指标和时间范围获取数据"""

print(f"数据采集工具 正在获取 {time_range} 的 {metric} 数据...")

注意：pd.np 已弃用，改用 NumPy

import numpy as np

dates = pd.date_range(start=time_range.split("-")0, end=time_range.split("-")1, freq="D")

data = pd.DataFrame({

"date": dates,

metric: np.random.randint(100, 500) for _ in dates

})

return data

模拟数据可视化工具（保持不变）

def plot_data(data: pd.DataFrame, metric: str) -> str:

"""生成数据可视化图表（返回图片路径）"""

plt.figure(figsize=(10, 4))

plt.plot(data"date", datametric, marker="o", color="#1f77b4")

plt.title(f"{metric} 趋势图", fontsize=12)

plt.xlabel("日期")

plt.ylabel(metric)

plt.xticks(rotation=45)

plt.tight_layout()

img_path = f"{metric}_trend.png"

plt.savefig(img_path)

plt.close()

return img_path

使用OpenAI LLM（ChatOpenAI）调用deepseek-chat模型的API，需要注意以下几点：

• DeepSeek官方目前未直接集成到LangChain（截至2025年初），但可通过OpenAI兼容API方式调用（DeepSeek提供了兼容OpenAI API的接口）。因此，我们仍可使用ChatOpenAI类，但需要修改base_url指向DeepSeek的API端点，并使用DeepSeek的API Key（建议统一使用阿里云百炼大模型服务）。
• 请根据你的需求选择DeepSeek模型类型，如deepseek-chat或deepseek-coder。
• 请确保你的.env文件包含DEEPSEEK_API_KEY=your_deepseek_api_key_here。

3. 定义全局状态（State）

状态是多智能体共享的信息中枢，需包含任务全生命周期的关键数据：

class AnalysisState(TypedDict):

"""数据分析系统的全局状态"""

user_query: str # 用户原始查询

structured_goal: dict = None # 结构化分析目标（需求解析结果）

raw_data: pd.DataFrame = None # 原始数据（数据采集结果）

analysis_result: dict = None # 分析结果（数据分析智能体输出）

visualization_path: str = None # 可视化图片路径

final_report: str = None # 最终报告（报告生成智能体输出）

4. 实现各智能体节点

每个智能体封装为独立函数，输入状态、处理后更新状态并返回：

1. 需求解析智能体：自然语言 → 结构化目标

def demand_parser_agent(state: AnalysisState) -> AnalysisState:

"""将用户自然语言需求解析为结构化目标"""

print("\n需求解析智能体 正在解析用户需求...")

print(f"📝 用户查询: {state'user_query'}")

在线模式：使用阿里云百炼模型

try:

prompt = f"""你是一个专业的需求分析助手。请从用户的查询中提取以下信息，并返回JSON格式：

用户查询: "{state'user_query'}"

请提取:

• 1. metric: 分析指标名称
• 2. time_range: 时间范围，格式为"YYYY-MM-DD-YYYY-MM-DD"
• 3. analysis_type: 分析类型

可能的指标: 销售额, 日活用户数, 订单量, 访问量, 转化率

可能的时间格式: 从用户查询中提取日期

可能的分析类型: 趋势分析, 均值计算, 峰值统计, 波动分析

返回格式示例:

{{

"metric": "销售额",

"time_range": "2025-01-01-2025-01-10",

"analysis_type": "趋势分析"

}}

只返回JSON，不要其他文本。"""

response = llm.invoke(prompt)

content = response.content.strip()

清理响应内容

if content.startswith("```json"):

content = content7:-3

elif content.startswith("```"):

content = content3:-3

structured_goal = json.loads(content)

except Exception as e:

print(f"需求解析错误 使用离线模式: {e}")

structured_goal = {

"metric": "销售额",

"time_range": "2025-01-01-2025-01-10",

"analysis_type": "趋势分析"

}

state"structured_goal" = structured_goal

print(f"✅ 需求解析结果: {structured_goal}")

return state

2. 数据采集智能体：结构化目标 → 原始数据

def data_collector_agent(state: AnalysisState) -> AnalysisState:

"""根据结构化目标调用工具采集数据"""

print("\n数据采集智能体 正在采集数据...")

goal = state"structured_goal"

确保有必要的字段

if not goal or "metric" not in goal or "time_range" not in goal:

print("警告 结构化目标不完整，使用默认值")

goal = {

"metric": goal.get("metric", "销售额"),

"time_range": goal.get("time_range", "2025-01-01-2025-01-10"),

"analysis_type": goal.get("analysis_type", "趋势分析")

}

state"structured_goal" = goal

调用数据采集工具

try:

raw_data = fetch_data(metric=goal"metric", time_range=goal"time_range")

调用可视化工具生成图表

viz_path = plot_data(data=raw_data, metric=goal"metric")

更新状态

state"raw_data" = raw_data

state"visualization_path" = viz_path

print(f"✅ 数据采集完成")

print(f" 数据量: {len(raw_data)} 条记录")

print(

f" 时间范围: {raw_data'date'.iloc0.strftime('%Y-%m-%d')} 到 {raw_data'date'.iloc-1.strftime('%Y-%m-%d')}")

print(f" 指标范围: {raw_datagoal\['metric'].min()} 到 {raw_datagoal\['metric'].max()}")

except Exception as e:

print(f"数据采集错误 {e}")

import traceback

traceback.print_exc()

return state

3. 数据分析智能体：原始数据 → 分析结果

def data_analyst_agent(state: AnalysisState) -> AnalysisState:

"""对原始数据执行指定类型的分析"""

print("\n数据分析智能体 正在执行数据分析...")

goal = state"structured_goal"

data = state"raw_data"

if data is None or len(data) == 0:

print("警告 无可用数据，跳过分析")

state"analysis_result" = {"error": "无可用数据"}

return state

metric = goal"metric"

analysis_type = goal"analysis_type"

执行对应类型的分析

analysis_result = {}

if analysis_type == "趋势分析":

if len(data) > 0:

start_val = float(datametric.iloc0)

end_val = float(datametric.iloc-1)

change = end_val - start_val

change_rate = (change / start_val * 100) if start_val != 0 else 0

analysis_result = {

"分析类型": "趋势分析",

"趋势方向": "上升" if change > 0 else "下降" if change < 0 else "平稳",

"起始值": round(start_val, 2),

"结束值": round(end_val, 2),

"变化量": round(change, 2),

"变化率": f"{change_rate:.2f}%",

"最大值": round(float(datametric.max()), 2),

"最小值": round(float(datametric.min()), 2),

"平均值": round(float(datametric.mean()), 2),

"最大值日期": data.locdata\[metric.idxmax(), "date"].strftime("%Y-%m-%d"),

"最小值日期": data.locdata\[metric.idxmin(), "date"].strftime("%Y-%m-%d"),

"数据点数": len(data)

}

elif analysis_type == "均值计算":

analysis_result = {

"分析类型": "均值计算",

"平均值": round(float(datametric.mean()), 2),

"中位数": round(float(datametric.median()), 2),

"众数": float(datametric.mode()0) if not datametric.mode().empty else 0,

"标准差": round(float(datametric.std()), 2),

"方差": round(float(datametric.var()), 2),

"最小值": round(float(datametric.min()), 2),

"最大值": round(float(datametric.max()), 2),

"极差": round(float(datametric.max() - datametric.min()), 2),

"数据点数": len(data)

}

elif analysis_type == "峰值统计":

max_idx = datametric.idxmax()

min_idx = datametric.idxmin()

analysis_result = {

"分析类型": "峰值统计",

"峰值": round(float(datametric.max()), 2),

"峰值日期": data.locmax_idx, "date".strftime("%Y-%m-%d"),

"谷值": round(float(datametric.min()), 2),

"谷值日期": data.locmin_idx, "date".strftime("%Y-%m-%d"),

"峰值与均值差": round(float(datametric.max() - datametric.mean()), 2),

"谷值与均值差": round(float(datametric.mean() - datametric.min()), 2),

"波动率": f"{(datametric.std() / datametric.mean() * 100):.2f}%" if datametric.mean() != 0 else "0%",

"数据点数": len(data)

}

else:

默认综合统计

analysis_result = {

"分析类型": "综合统计分析",

"统计摘要": {

"平均值": round(float(datametric.mean()), 2),

"中位数": round(float(datametric.median()), 2),

"标准差": round(float(datametric.std()), 2),

"最小值": round(float(datametric.min()), 2),

"25%分位数": round(float(datametric.quantile(0.25)), 2),

"50%分位数": round(float(datametric.quantile(0.5)), 2),

"75%分位数": round(float(datametric.quantile(0.75)), 2),

"最大值": round(float(datametric.max()), 2)

},

"趋势指标": {

"起始值": round(float(datametric.iloc0), 2),

"结束值": round(float(datametric.iloc-1), 2),

"总变化": round(float(datametric.iloc-1 - datametric.iloc0), 2),

"总变化率": f"{((datametric.iloc-1 - datametric.iloc0) / datametric.iloc0 * 100):.2f}%" if

datametric.iloc0 != 0 else "0%"

}

}

state"analysis_result" = analysis_result

print(f"✅ 数据分析完成")

for key, value in analysis_result.items():

if isinstance(value, dict):

print(f" {key}:")

for k, v in value.items():

print(f" {k}: {v}")

else:

print(f" {key}: {value}")

return state

4. 报告生成智能体：分析结果 → 最终报告

def report_generator_agent(state: AnalysisState) -> AnalysisState:

"""整合所有结果生成自然语言报告"""

print("报告生成智能体 正在生成最终报告...")

prompt = f"""

你是专业的数据分析报告撰写师，请根据以下信息生成一份清晰、简洁的分析报告：

（1）用户需求：{state'user_query'}

（2）分析目标：{state'structured_goal'}

（3）分析结果：{state'analysis_result'}

（4）可视化说明：已生成 {state'structured_goal''metric'} 趋势图（路径：{statestate'visualization_path'}）

报告要求：

• 结构清晰：包含"需求概述"、"数据来源"、"核心分析结论"、"可视化说明"4部分

• 语言通俗：避免技术术语，适合非专业人士阅读

• 数据准确：引用分析结果中的具体数值

"""

response = llm.invoke(prompt)

state'final_report' = response.content

return state

5. 构建LangGraph协作流程（流水线模式）

使用StateGraph定义节点流转关系，形成多智能体协作流水线：

def build_analysis_graph() -> Graph:

"""构建数据分析多智能体协作图"""

1. 初始化状态图（绑定全局状态类）

graph_builder = StateGraph(AnalysisState)

2. 添加智能体节点（每个节点对应一个智能体函数）

graph_builder.add_node("demand_parser",demand_parser_agent) # 需求解析节点

graph_builder.add_node("data_collector",data_collector_agent) # 数据采集节点

graph_builder.add_node("data_analyst", data_analyst_agent) # 数据分析节点

graph_builder.add_node("report_generator", report_generator_agent) # 报告生成节点

3. 定义节点流转规则（流水线模式：固定顺序执行）

graph_builder.set_entry_point("demand_parser") # 入口节点：需求解析

graph_builder.add_edge("demand_parser", "data_collector") # 解析 → 采集

graph_builder.add_edge("data_collector", "data_analyst") # 采集 → 分析

graph_builder.add_edge("data_analyst", "report_generator") # 分析 → 报告生成

graph_builder.add_edge("report_generator", END) # 报告生成 → 流程结束

4. 编译图（生成可执行的协作流程）

return graph_builder.compile()

构建协作图

analysis_graph = build_analysis_graph()

6. 运行多智能体系统并查看结果

if name == "main":

输入用户需求

user_query = "请分析2025年1月1日到2025年1月10日的日销售额趋势，生成分析报告和趋势图"

运行协作流程（传入初始状态）

result = analysis_graph.invoke({

"user_query": user_query

})

输出最终结果

print("\n" + "="*50)

print("📊 多智能体协作分析报告")

print("="*50)

print(result"final_report")

print(f"\n📈 可视化图表已保存至：{result'visualization_path'}")

上述案例是固定流水线模式，若需支持多类型任务（如同时处理"趋势分析""均值计算""异常检测"），可添加调度函数或者调度智能体实现动态分工。

7. 适用场景与扩展方向

（1）适用场景

• 自动化办公（报告生成、数据处理、邮件分类）。
• 智能客服（多技能客服分流、复杂问题协作解答）。
• 研发辅助（需求分析→代码生成→测试→调试）。
• 数据分析（数据采集→清洗→分析→可视化→报告）。

（2）扩展方向

• 集成开源模型：使用DeepSeek、Qwen等开源LLM，实现私有化部署。
• 工具扩展：对接数据库（MySQL、BigQuery）、API（Excel、Slack）、RAG知识库。
• 多模态支持：添加图像识别智能体、语音转文字智能体，处理多模态输入。
• 监控与可观测性：使用LangSmith跟踪智能体执行轨迹，优化协作流程。
• 动态智能体生成：根据任务复杂度动态创建临时智能体，提升协作灵活性。

5.3.4 实战案例：调度函数模式的实现

【示例5.3】多智能体数据分析协作系统实现代码（Langgraph_deepseek_multi_agent）。

import os

import sys

import json

import requests

import numpy as np # 直接导入 NumPy

import pandas as pd

import matplotlib.pyplot as plt

from dotenv import load_dotenv

from typing import Optional, Dict, Any

from langgraph.graph import StateGraph, END, START

-------------------------- 基础配置 --------------------------

load_dotenv()

os.environ"TOKENIZERS_PARALLELISM" = "false"

安全退出函数

def safe_exit(code: int = 0):

sys.exit(code)

----------------------- DeepSeek API 封装（无依赖） ----------------------

class DeepSeekAPI:

def init(self, api_key: str):

self.api_key = api_key

self.base_url = "https://api.deepseek.com/v1/chat/completions"

self.headers = {

"Content-Type": "application/json",

"Authorization": f"Bearer {self.api_key}"

}

def invoke(self, prompt: str, temperature: float = 0.1, max_tokens: int = 2048) -> str:

payload = {

"model": "deepseek-chat",

"messages": {"role": "user", "content": prompt},

"temperature": temperature,

"max_tokens": max_tokens

}

try:

response = requests.post(

self.base_url,

headers=self.headers,

json=payload,

timeout=30

)

response.raise_for_status()

result = response.json()

return result"choices"0"message""content".strip()

except requests.exceptions.RequestException as e:

print(f"❌ DeepSeek API 调用失败：{e}")

if hasattr(e, 'response') and e.response is not None:

print(f"API 响应：{e.response.text}")

safe_exit(1)

初始化LLM

api_key = os.getenv("DASHSCOPE_API_KEY")

if not api_key:

print("❌ 未配置 DASHSCOPE_API_KEY")

print("请前往阿里云百炼平台获取 API Key，并添加到.env文件")

safe_exit(1)

llm = DeepSeekAPI(api_key=api_key)

print("✅ DeepSeek API 初始化成功")

---------------------- 工具函数（修复 pandas.np 问题） ----------------------

def fetch_data(metric: str, time_range: str) -> pd.DataFrame:

"""模拟数据采集（使用 NumPy 生成随机数，兼容所有 Pandas 版本）"""

print(f"数据采集工具 正在获取 {time_range} 的 {metric} 数据...")

try:

date_parts = time_range.replace(" ", "").split("-")

if len(date_parts) != 6:

raise ValueError("格式错误")

start_date = f"{date_parts0}-{date_parts1}-{date_parts2}"

end_date = f"{date_parts3}-{date_parts4}-{date_parts5}"

dates = pd.date_range(start=start_date, end=end_date, freq="D")

except:

print("警告 时间范围格式错误，自动使用：2025-01-01 至 2025-01-10")

dates = pd.date_range(start="2025-01-01", end="2025-01-10", freq="D")

修复：使用 np.random 替代 pd.np.random（兼容新版本 Pandas）

data = pd.DataFrame({

"date": dates,

metric: np.random.randint(100, 500) for _ in dates

})

return data

def plot_data(data: pd.DataFrame, metric: str) -> str:

"""生成中文可视化图表"""

中文显示适配

try:

plt.rcParams'font.sans-serif' = 'SimHei' # Windows

except:

try:

plt.rcParams'font.sans-serif' = 'Microsoft YaHei'

except:

plt.rcParams'font.sans-serif' = 'Arial Unicode MS' # Mac

plt.rcParams'axes.unicode_minus' = False

plt.figure(figsize=(10, 4))

plt.plot(data"date", datametric, marker="o", color="#1f77b4", linewidth=2)

plt.title(f"{metric} 趋势图", fontsize=14, pad=20)

plt.xlabel("日期", fontsize=12)

plt.ylabel(metric, fontsize=12)

plt.xticks(rotation=45)

plt.grid(alpha=0.3)

plt.tight_layout()

safe_metric = metric.replace(" ", "").replace("/", "")

img_path = f"{safe_metric}_trend.png"

plt.savefig(img_path, dpi=150, bbox_inches="tight")

plt.close()

return img_path

-------------------------- 全局状态定义 --------------------------

from typing_extensions import TypedDict

class AnalysisState(TypedDict):

user_query: str

structured_goal: OptionalDict\[str, str] = None

raw_data: Optionalpd.DataFrame = None

analysis_result: OptionalDict\[str, Any] = None

visualization_path: Optionalstr = None

final_report: Optionalstr = None

-------------------------- 多智能体节点 --------------------------

def demand_parser_agent(state: AnalysisState) -> AnalysisState:

"""需求解析智能体"""

print("需求解析智能体 正在解析用户需求...")

prompt = f"""

严格按以下格式输出JSON，字段不可缺、不可增：

{{

"metric": "具体量化指标（如销售额、日活用户数）",

"time_range": "YYYY-MM-DD-YYYY-MM-DD",

"analysis_type": "趋势分析/均值计算/异常检测"

}}

规则：用户未明确的字段用默认值：时间范围默认2025-01-01-2025-01-10，分析类型默认趋势分析

输出仅保留JSON字符串，无任何额外内容！

用户需求：{state'user_query'}

"""

response_text = llm.invoke(prompt)

容错解析

try:

if response_text.startswith("```"):

response_text = response_text.split("```")1.strip().lstrip("json").strip()

structured_goal = json.loads(response_text)

for field in "metric", "time_range", "analysis_type":

if field not in structured_goal:

raise ValueError(f"缺失{field}")

except Exception as e:

print(f"警告 JSON解析失败（{e}），使用默认配置")

structured_goal = {

"metric": "销售额",

"time_range": "2025-01-01-2025-01-10",

"analysis_type": "趋势分析"

}

print(f"需求解析结果 {structured_goal}")

return {**state, "structured_goal": structured_goal}

def data_collector_agent(state: AnalysisState) -> AnalysisState:

"""数据采集智能体"""

print("数据采集智能体 正在采集数据...")

goal = state"structured_goal"

raw_data = fetch_data(metric=goal"metric", time_range=goal"time_range")

viz_path = plot_data(data=raw_data, metric=goal"metric")

print(f"数据采集完成 共{len(raw_data)}条数据，图表：{viz_path}")

return {**state, "raw_data": raw_data, "visualization_path": viz_path}

def data_analyst_agent(state: AnalysisState) -> AnalysisState:

"""数据分析智能体"""

print("数据分析智能体 正在执行分析...")

goal = state"structured_goal"

data = state"raw_data"

metric = goal"metric"

analysis_type = goal"analysis_type"

analysis_result = {}

try:

if analysis_type == "趋势分析":

start_val = datametric.iloc0

end_val = datametric.iloc-1

trend = "上升" if end_val > start_val*1.05 else "下降" if end_val < start_val*0.95 else "平稳"

analysis_result = {

"趋势": trend, "起始值": int(start_val), "结束值": int(end_val),

"增长率": f"{((end_val-start_val)/start_val*100):.2f}%",

"峰值日期": data.locdata\[metric.idxmax(), "date"].strftime("%Y-%m-%d"),

"谷值日期": data.locdata\[metric.idxmin(), "date"].strftime("%Y-%m-%d")

}

elif analysis_type == "均值计算":

analysis_result = {

"平均值": f"{datametric.mean():.2f}", "中位数": f"{datametric.median():.2f}",

"标准差": f"{datametric.std():.2f}", "数据范围": f"{int(datametric.min())}-{int(datametric.max())}",

"有效条数": len(data)

}

elif analysis_type == "异常检测":

mean, std = datametric.mean(), datametric.std()

anomalies = data(data\[metric > mean+3*std) | (datametric < mean-3*std)]

analysis_result = {

"算法": "3σ原则", "异常条数": len(anomalies),

"正常范围": f"{mean-3*std:.2f}~{mean+3*std:.2f}",

"异常日期": d.strftime("%Y-%m-%d") for d in anomalies\["date".tolist()] if len(anomalies) else "无"

}

except Exception as e:

analysis_result = {"错误": str(e)}

print(f"警告 分析失败：{e}")

print(f"分析完成 结果：{analysis_result}")

return {**state, "analysis_result": analysis_result}

def report_generator_agent(state: AnalysisState) -> AnalysisState:

"""报告生成智能体"""

print("报告生成智能体 正在生成报告...")

prompt = f"""

生成4部分结构的报告：需求概述、数据说明、核心结论、可视化说明

语言通俗，300~500字，不使用列表/表格，直接引用以下数据：

用户需求：{state'user_query'}

分析目标：{state'structured_goal'}

分析结果：{state'analysis_result'}

图表路径：{state'visualization_path'}

"""

final_report = llm.invoke(prompt)

return {**state, "final_report": final_report}

---------------------- 调度函数（适配 LangGraph 1.0+） ----------------------

def router_function(state: AnalysisState) -> str:

"""调度函数：返回下一个节点名称"""

analysis_type = state"structured_goal""analysis_type"

print(f"调度智能体 分析类型：{analysis_type} → 分配至数据分析节点")

return "data_analyst"

--------------------- 构建协作图（适配 LangGraph 1.0.5） ---------------------

def build_analysis_graph() -> StateGraph:

"""构建 LangGraph 1.0+ 兼容的协作图"""

graph_builder = StateGraph(AnalysisState)

添加节点

graph_builder.add_node("demand_parser", demand_parser_agent)

graph_builder.add_node("data_collector", data_collector_agent)

graph_builder.add_node("data_analyst", data_analyst_agent)

graph_builder.add_node("report_generator", report_generator_agent)

定义流转规则

graph_builder.add_edge(START, "demand_parser")

graph_builder.add_edge("demand_parser", "data_collector")

graph_builder.add_conditional_edges(

source="data_collector",

path=router_function

)

graph_builder.add_edge("data_analyst", "report_generator")

graph_builder.add_edge("report_generator", END)

return graph_builder.compile()

-------------------------- 主程序 --------------------------

if name == "main":

1. 构建协作流程

print("🔧 正在构建多智能体协作图...")

analysis_graph = build_analysis_graph()

print("✅ 多智能体协作图构建完成")

2. 用户需求

user_query="请分析2025年2月1日到2025年2月20日的日销售额趋势，生成报告和图表"

print(f"\n 接收用户需求：{user_query}")

print("-" * 80)

3. 运行协作流程

result = analysis_graph.invoke({"user_query": user_query})

4. 输出结果

print("\n" + "="*80)

print(" 最终分析报告（DeepSeek 生成）")

print("="*80)

print(result"final_report")

print(f"\n 图表保存路径：{result'visualization_path'}")

print(f"\n 执行总结：")

print(f"- 解析目标：{result'structured_goal'}")

print(f"- 数据量：{len(result'raw_data')} 条")

print(f"- 核心结论：{result'analysis_result'}")

运行输出：

正在构建多智能体协作图...

✅ 多智能体协作图构建完成

接收用户需求：请分析2025年2月1日到2025年2月20日的日销售额趋势，生成报告和图表

---

需求解析智能体 正在解析用户需求...

需求解析结果 {'metric': '日销售额', 'time_range': '2025-02-01-2025-02-20', 'analysis_type': '趋势分析'}

数据采集智能体 正在采集数据...

数据采集工具 正在获取 2025-02-01-2025-02-20 的日销售额数据...

数据采集完成 共20条数据，图表：日销售额_trend.png

调度智能体 分析类型：趋势分析 → 分配至数据分析节点

数据分析智能体 正在执行分析...

分析完成 结果：{'趋势': '上升', '起始值': 333, '结束值': 419, '增长率': '25.83%', '峰值日期': '2025-02-12', '谷值日期': '2025-02-19'}

报告生成智能体 正在生成报告...

===========================================================================

最终分析报告（DeepSeek 生成）

===========================================================================

需求概述

本次分析旨在了解2025年2月1日至2025年2月20日期间日销售额的整体变化情况。用户希望看到这段时间内销售额是上升、下降还是保持平稳，并找出其中的关键高点与低点，以便把握销售动态。

数据说明

分析基于从2月1日到2月20日共20天的每日销售额数据。数据显示，销售额在这段时间内整体呈现上升趋势，起始日的销售额为333元，到结束日已增长至419元。其间销售额的最高点出现在2月12日，而最低点则出现在2月19日。

核心结论

在观察的20天里，日销售额整体增长了约25.83%，表明销售表现有显著提升。虽然过程中存在波动，例如在2月19日出现了谷值，但最终销售额仍较期初有明显增长。这一趋势说明该时间段内的销售活动总体向好。

可视化说明

已生成名为"日销售额_trend.png"的趋势图。图中以日期为横轴、销售额为纵轴，通过折线清晰展示了每日销售额的波动与整体上升轨迹。峰值点与谷值点已进行标注，可直观看到2月12日的销售高峰及后续的波动情况，帮助快速把握趋势变化。

图表保存路径：日销售额_trend.png

执行总结：

• 解析目标：{'metric': '日销售额', 'time_range': '2025-02-01-2025-02-20', 'analysis_type': '趋势分析'}

• 数据量：20 条

• 核心结论：{'趋势': '上升', '起始值': 333, '结束值': 419, '增长率': '25.83%', '峰值日期': '2025-02-12', '谷值日期': '2025-02-19'}

最终生成日销售额图，如图5.1所示。

图5.1 日销售额图（日销售_trend.png）