【multi-agent】一、如何用 langchain 打造一个 multi-agent 实战

✍ 前言

这篇就是给已经玩过 langchain tools + agent 的同学看的进阶篇：

你已经玩过 time / weather 这种自定义工具；也看过 AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION 一路 Thought / Action / Observation 的 Debug Log；但一到 Multi-Agent / AI 团队协作，就会有点懵：

---

? 一、先把概念掰开：单 Agent vs Multi-Agent

1.1 单 Agent：一个人又要算日期又要查天气还要写代码

你现在的 Demo 结构本质上是这样的：

用户问题   ↓一个 Agent（ReAct）   ↓在一堆 Tools 里选：- Calculator- Wikipedia- terminal- time- weather(封装成 prompt 调用自己的 Agent)

特点：

所有事情都让一个 Agent 想：要不要查日期？要不要查天气？要不要写 Python？逻辑复杂的时候，prompt 容易写爆，而且 debug 时很难定位到底是哪一步“想歪了”。

1.2 Multi-Agent：拆成“调度员 + 专家小组”

更工程一点的想法是：

典型结构：

用户  ↓Supervisor（调度员 Agent）  ├── 日期助手 DateAgent（只接 time 工具）  ├── 天气助手 WeatherAgent（拿日期 + weather 数据）  └── 生活顾问 LifeAdvisorAgent（综合上面结果，给出自然语言建议）

相比原来的单 Agent：

每个 Agent 的 Prompt 简单清晰（只负责一个角色）；你可以明确说：

这在博客 + 面试里都是「很容易讲清楚、又显得有设计感」的点。

---

? 二、本文实战目标 & 架构图

2.1 我们要做的“小系统”

我们还是围绕你熟悉的天气 Demo，只是升级玩法：

三类 Agent：

DateAgent：负责获取当前日期（只会用 time 工具）；WeatherAgent：根据日期 + 城市，在一个“伪天气数据库”里查天气；LifeAdvisorAgent：综合天气 + 用户问题，给出自然语言建议。

顶层还有一个：

SupervisorAgent：负责判断什么时候该找谁帮忙，串起整个流程。

2.2 架构图

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

在实现上，我们会用一个小技巧：

这样既复用你对 tools + Agent 的理解，又自然过渡到 Multi-Agent 体系。

---

? 三、准备环境：LLM + 基础工具

3.1 LLM 客户端

from config import api_type, api_key, api_base, api_version, model_namefrom langchain.chat_models import AzureChatOpenAIllm = AzureChatOpenAI(    openai_api_base=api_base,    openai_api_version=api_version,    deployment_name=model_name,    openai_api_key=api_key,    openai_api_type=api_type,    temperature=0.3,)

3.2 复用你的 time 工具

from langchain.agents import toolfrom datetime import date@tooldef time(text: str) -> str:    """返回今天的日期字符串，用于和当前日期相关的问题。    输入必须为空字符串；任何日期计算应在函数外进行。    """    return str(date.today())

3.3 升级 weather 工具（不再套娃 Agent）

你的原始 weather 是直接在工具里面再调了一次 agent1，相当于「工具里套一个 Agent」，现在我们把它简化成：纯逻辑函数。

@tooldef weather(query: str) -> str:    """根据内置 weather_info 字典，返回给定城市在某一天的天气。    输入格式：(城市名[, 日期])，例如：    - "北京"（日期缺省，则用今天）    - "北京,2025-07-15"    返回格式："{date} {city} 的天气情况为：{weather}"    """    # 1. 内置“伪天气数据库”    weather_info = {        "2025-07-14": {            "北京": "sunny",            "上海": "cloudy",        },        "2025-07-15": {            "北京": "rainy",            "上海": "windy",        },    }    # 2. 解析输入    parts = [x.strip() for x in query.split(",") if x.strip()]    if len(parts) == 1:        city = parts[0]        today = str(date.today())        date_str = today    else:        city, date_str = parts[0], parts[1]    # 3. 查表    city_weather = weather_info.get(date_str, {})    w = city_weather.get(city, "未知")    return f"{date_str} {city} 的天气情况为：{w}"

现在 weather 真正符合「(str) -> str 的工具函数」，方便挂在任意 Agent 上。

---

? 四、Step1：定义两个 Worker Agent（日期 & 天气）

4.1 DateAgent：只负责“日期相关”任务

思路：

这个 Agent 不直接面向用户；它只用 time 这个工具；Prompt 里告诉它：

from langchain.agents import initialize_agent, AgentTypedate_tools = [time]date_agent = initialize_agent(    tools=date_tools,    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,)# 简单测一下：test = date_agent("今天的日期？只返回 YYYY-MM-DD。")print("DateAgent 测试输出：", test)

4.2 WeatherAgent：拿日期 + 城市，查天气

WeatherAgent 的职责：

独响

一个轻笔记+角色扮演的app

249 查看详情 接收自然语言提问：利用：time 来确定“今天是哪天”；weather 在字典里查天气；最终用自然语言回复用户。

weather_tools = [time, weather]weather_agent = initialize_agent(    tools=weather_tools,    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,    agent_kwargs={        "system_message": (            "你是一个天气查询助手，需要根据用户问题决定："            "1）是否需要获取今天日期(time 工具)，"            "2）调用 weather(city[,date]) 工具查找天气。"            "请最终用简洁的中文回答，比如：'今天北京下雨，出门建议带伞。'"        )    })

res = weather_agent("今天北京的天气如何？")print(res)

它会大致走这样几步：

Thought：这是天气问题 → Action: 调用 time；Observation：2025-11-22；Thought：需要查北京这一天的天气 → Action: weather("北京,2025-11-22")；Observation：2025-11-22 北京 的天气情况为：未知（因为我们字典里没有这天）；Final Answer：用自然语言综合一下（比如说“在已有数据中没有查到”）。

如果你把系统日期改成 2025-07-15，就正好对应你之前的 Demo ：）

---

? 五、Step2：把子 Agent 包装成 Tool，构建 Supervisor Multi-Agent

关键技巧：

5.1 把 DateAgent / WeatherAgent 包装成 Tool

from langchain.tools import Tooldate_agent_tool = Tool(    name="DateAssistant",    func=lambda q: date_agent(q)["output"],    description=(        "日期助手，擅长回答'今天几号'、'某天是星期几'这类问题。"        "如果用户提问中包含日期计算，可以调用我。"    ),)weather_agent_tool = Tool(    name="WeatherAssistant",    func=lambda q: weather_agent(q)["output"],    description=(        "天气助手，擅长回答某地某天的天气情况，比如："        "'今天北京的天气如何？'、'2025-07-15 上海刮风吗？'"    ),)

注意这里我用 lambda q: agent(q)["output"]，是为了兼容 initialize_agent 返回的 dict 结构。

5.2 定义 SupervisorAgent：只负责“谁干活”和“最后说话”

SupervisorAgent 不直接操作 time / weather，它只看这两个「子 Agent Tool」：

supervisor_tools = [date_agent_tool, weather_agent_tool]supervisor = initialize_agent(    tools=supervisor_tools,    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,    agent_kwargs={        "system_message": (            "你是一个调度员（Supervisor Agent）。"            "你自己不直接查日期或天气，而是根据用户问题，在以下两个助手之间做选择："            "1）DateAssistant：专门处理日期相关问题；"            "2）WeatherAssistant：专门处理天气相关问题。"            "如果问题里同时涉及日期和天气，比如'今天北京适合跑步吗，要不要带伞？'，"            "你可以把原问题一个整体转交给 WeatherAssistant，让它做综合判断。"            "最后，你用自然语言总结回答用户。"        )    })

---

? 六、实战：问一句“今天北京适合跑步吗？”

现在我们可以像平时调用单 Agent 一样，直接问 Supervisor：

question = "今天北京适合出门跑步吗？要不要带伞？"result = supervisor(question)print(result)

一个典型的 ReAct 日志（只保留关键部分）会是这样：

> Entering new AgentExecutor chain...Question: 今天北京适合出门跑步吗？要不要带伞？Thought: 这个问题与天气强相关，应该交给 WeatherAssistant。Action:{  "action": "WeatherAssistant",  "action_input": "今天北京适合出门跑步吗？要不要带伞？"}Observation: 今天北京可能有小雨，建议出门跑步时避开降雨时段，并携带雨具。Thought: 已经从 WeatherAssistant 处拿到了结论，我只需要用自然语言复述并稍作组织。Final Answer: 今天北京有雨，虽然可以出门跑步，但建议选择雨势较小的时间段，并随身携带雨伞或雨衣，以免淋湿。> Finished chain.

你会发现三个明显的变化：

顶层日志里出现了 WeatherAssistant 这个“工具名”；但我们知道它实际上不是一个普通 Tool，而是一个完整的 AgentExecutor；这就是最小可运行的 Multi-Agent：Agent 作为 Tool 被另一个 Agent 编排。

---

? 七、再加一个 LifeAdvisorAgent（可选加戏）

如果你想架构再“戏剧化”一点，可以再加一个：

WeatherAgent 只负责事实（天气本身）；LifeAdvisorAgent 负责按生活场景给建议（跑步 / 上班 / 约会）；Supervisor 根据问题内容决定是直接走 WeatherAgent，还是先问 WeatherAgent 再让 LifeAdvisor 做决策。

简单示意（伪代码，只给你思路）：

# 1. LifeAdvisorAgent：输入是“天气描述 + 用户原问题”，输出是建议life_advisor = initialize_agent(    tools=[],    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,    agent_kwargs={        "system_message": (            "你是生活场景顾问。输入会包含："            "1）天气描述；"            "2）用户原始需求，例如跑步/通勤/约会等；"            "你只需要基于这两点给出具体建议。"        )    })life_advisor_tool = Tool(    name="LifeAdvisor",    func=lambda q: life_advisor(q)["output"],    description="根据天气描述和用户需求，给出生活建议。")

然后在 Supervisor 里：

先把问题转交给 WeatherAssistant，拿到纯天气描述；再把 天气描述 + 用户原问题 交给 LifeAdvisor；最后由 Supervisor 输出最终结果。

这样你就有了：

Supervisor → WeatherAgent → LifeAdvisorAgent

一个完整的 三层多 Agent 协作链，在博客里画图 + 贴日志，会非常有“工程感”。

---

? 八、手撕代码

最后给你一个「收拢版」的完整脚本，适合贴在文章末尾当“手撕代码”块。

你可以根据自己的 Azure / OpenAI 配置改一改头部。

"""multi_agent_weather.py一个最小可运行的 Multi-Agent Demo：Supervisor + DateAgent + WeatherAgent"""from datetime import datefrom config import api_type, api_key, api_base, api_version, model_namefrom langchain.chat_models import AzureChatOpenAIfrom langchain.agents import (    tool,    initialize_agent,    AgentType,)from langchain.tools import Tool# ========= 1. LLM =========llm = AzureChatOpenAI(    openai_api_base=api_base,    openai_api_version=api_version,    deployment_name=model_name,    openai_api_key=api_key,    openai_api_type=api_type,    temperature=0.3,)# ========= 2. 基础工具 =========@tooldef time(text: str) -> str:    """返回今天的日期字符串，用于和当前日期相关的问题。    输入必须为空字符串；任何日期计算应在函数外进行。    """    return str(date.today())@tooldef weather(query: str) -> str:    """根据内置 weather_info 字典，返回给定城市在某一天的天气。    输入格式：(城市名[, 日期])，例如：    - "北京"    - "北京,2025-07-15"    返回格式："{date} {city} 的天气情况为：{weather}"    """    weather_info = {        "2025-07-14": {            "北京": "sunny",            "上海": "cloudy",        },        "2025-07-15": {            "北京": "rainy",            "上海": "windy",        },    }    parts = [x.strip() for x in query.split(",") if x.strip()]    if len(parts) == 1:        city = parts[0]        date_str = str(date.today())    else:        city, date_str = parts[0], parts[1]    city_weather = weather_info.get(date_str, {})    w = city_weather.get(city, "未知")    return f"{date_str} {city} 的天气情况为：{w}"# ========= 3. 子 Agent：DateAgent =========date_agent = initialize_agent(    tools=[time],    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,)date_agent_tool = Tool(    name="DateAssistant",    func=lambda q: date_agent(q)["output"],    description=(        "日期助手，擅长回答'今天几号'、'某天是星期几'这类问题。"        "如果用户提问中包含日期计算，可以调用我。"    ),)# ========= 4. 子 Agent：WeatherAgent =========weather_agent = initialize_agent(    tools=[time, weather],    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,    agent_kwargs={        "system_message": (            "你是一个天气查询助手，需要根据用户问题决定："            "1）是否需要获取今天日期(time 工具)，"            "2）调用 weather(city[,date]) 工具查找天气。"            "最终用简洁中文回答，比如：'今天北京下雨，出门建议带伞。'"        )    },)weather_agent_tool = Tool(    name="WeatherAssistant",    func=lambda q: weather_agent(q)["output"],    description=(        "天气助手，擅长回答某地某天的天气情况，比如："        "'今天北京的天气如何？'、'2025-07-15 上海刮风吗？'"    ),)# ========= 5. Supervisor Multi-Agent =========supervisor = initialize_agent(    tools=[date_agent_tool, weather_agent_tool],    llm=llm,    agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,    handle_parsing_errors=True,    verbose=True,    agent_kwargs={        "system_message": (            "你是一个调度员（Supervisor Agent）。"            "你自己不直接查日期或天气，而是根据用户问题，在以下助手之间做选择："            "1）DateAssistant：专门处理日期相关问题；"            "2）WeatherAssistant：专门处理天气相关问题。"            "如果问题里同时涉及日期和天气，比如"            "'今天北京适合跑步吗，要不要带伞？'，"            "你可以把原问题整体转交给 WeatherAssistant。"            "最后，你用自然语言总结回答用户。"        )    },)# ========= 6. 入口 =========if __name__ == "__main__":    question = "今天北京适合出门跑步吗？要不要带伞？"    result = supervisor(question)    print("用户问题：", question)    print("系统回答：", result)

以上就是【Multi-Agent实战】如何用 LangChain 打造一个 Multi-Agent 实战项目的详细内容，更多请关注其它相关文章！

# 要带  # 嘉定做网站建设公司  # 网站推广图片优化  # 视频SEO外链平台  # 音乐资源推广网站  # 亮剑seo教程  # 汕尾网站建设服务  # 荣昌推广自己的网站  # 宝山区优化网站  # 保山网站建设建站  # SEO入门玄关好物平价  # 自己的  # 不直接  # 某天  # 如何用  # 你可以  # react  # 你是  # 自然语言  # 北京  # fig  # sora  # langchain  # 2025  # yy  # 上海  # win  # openai  # ai  # 工具  # python 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： 市盈率ttm是什么意思  为什么夸克无法注销账户  单片机怎么计算0xf0  如何加装固态硬盘  命令指示符如何打开盘符  春运订票什么时候抢票  如何知道固态硬盘  html怎么使用typescript  苹果16讲解有哪些功能  ao3镜像网站哪个好  shell如何执行sql脚本命令行  sqlite中datediff函数怎么用 SQLite中DATEDIFF()函数的用法分享  如何右键打开命令窗口  m*en repository的作用是什么  光猫power灯一直闪是什么意思  为什么要出折叠屏手机  华为使用nfc功能是什么意思  苹果16有哪些款式的  春运抢票多久能知道成功  typescript全局配置放哪里  固态硬盘损坏如何修复  单片机加法程序怎么写  5g手机怎么没视频通话功能  哪个牌子的折叠屏手机好  sausage是什么意思  sofa是什么意思  远程桌面如何发送命令  电脑命令如何删除账号  苹果16有哪些变化尺寸  显示器上power键是什么意思  什么是夸克模组文件格式  皓影混动仪表盘上power是什么意思  市盈率负值是什么意思  单片机计时程序怎么写  市盈率3.2是什么意思  混合固态硬盘如何分区  命令行如何启动应用程序  typescript中如何定义json  excel中datediff函数怎么用  如何安装tree命令  哪些框架支持typescript  什么是typescript  md5解密是什么意思  360n4怎么关闭锁屏壁纸  如何使用程序编译 执行的命令  vue怎么连接typescript  hen是什么意思  哪些编程软件需要typescript  满射为什么没有逆映射  台机如何安装固态硬盘