单个智能体通常可以在单个领域内使用少量工具有效地操作，但即使使用像GPT-4这样强大的模型，它在使用许多工具时也可能效果不佳。

处理复杂任务的一种方法是通过“分而治之”的方式：为每个任务或领域创建一个专门的智能体，并将任务路由到正确的“专家”。这是多智能体网络架构的一个示例。

本笔记本（灵感来自Wu等人的论文《AutoGen: 通过多智能体对话实现下一代LLM应用》）展示了如何使用LangGraph实现这一点。

生成的图将类似于以下图表：

多智能体图

在我们开始之前，快速说明一下：本笔记本和其他多智能体笔记本旨在展示如何在LangGraph中实现某些设计模式。如果该模式符合您的需求，我们建议将其与文档中描述的其他基本模式结合使用，以获得最佳性能。

首先，让我们安装所需的包并设置API密钥：

python
%%capture --no-stderr
%pip install -U langchain_community langchain_anthropic langchain_experimental matplotlib langgraph

import getpass
import os

def _set_if_undefined(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"Please provide your {var}")

_set_if_undefined("ANTHROPIC_API_KEY")
_set_if_undefined("TAVILY_API_KEY")

为LangGraph开发设置LangSmith

注册LangSmith以快速发现问题并提高LangGraph项目的性能。LangSmith允许您使用跟踪数据来调试、测试和监控使用LangGraph构建的LLM应用程序——阅读更多关于如何开始的信息。

我们还将定义一些工具，供我们的智能体将来使用：

python
from typing import Annotated
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.tools import tool
from langchain_experimental.utilities import PythonREPL

tavily_tool = TavilySearchResults(max_results=5)

# 警告：此代码在本地执行，未沙盒化时可能不安全
repl = PythonREPL()

@tool
def python_repl_tool(
    code: Annotated[str, "The python code to execute to generate your chart."],
):
    """使用此工具执行Python代码。如果你想查看某个值的输出，你应该使用`print(...)`打印出来。用户可以看到此输出。"""
    try:
        result = repl.run(code)
    except BaseException as e:
        return f"Failed to execute. Error: {repr(e)}"
    result_str = f"Successfully executed:\n\`\`\`python\n{code}\n\`\`\`\nStdout: {result}"
    return (
        result_str + "\n\nIf you have completed all tasks, respond with FINAL ANSWER."
    )

现在我们已经定义了工具并创建了一些辅助函数，我们将创建各个智能体，并使用LangGraph告诉它们如何相互通信。

我们现在需要定义节点。

首先，我们将创建一个实用程序来为每个智能体生成系统提示。

python
def make_system_prompt(suffix: str) -> str:
    return (
        "You are a helpful AI assistant, collaborating with other assistants."
        " Use the provided tools to progress towards answering the question."
        " If you are unable to fully answer, that's OK, another assistant with different tools "
        " will help where you left off. Execute what you can to make progress."
        " If you or any of the other assistants have the final answer or deliverable,"
        " prefix your response with FINAL ANSWER so the team knows to stop."
        f"\n{suffix}"
    )

from typing import Literal
from langchain_core.messages import BaseMessage, HumanMessage
from langchain_anthropic import ChatAnthropic
from langgraph.prebuilt import create_react_agent
from langgraph.graph import MessagesState, END
from langgraph.types import Command

llm = ChatAnthropic(model="claude-3-5-sonnet-latest")

def get_next_node(last_message: BaseMessage, goto: str):
    if "FINAL ANSWER" in last_message.content:
        # 任何智能体决定工作已完成
        return END
    return goto

# 研究智能体和节点
research_agent = create_react_agent(
    llm,
    tools=[tavily_tool],
    prompt=make_system_prompt(
        "You can only do research. You are working with a chart generator colleague."
    ),
)

def research_node(
    state: MessagesState,
) -> Command[Literal["chart_generator", END]]:
    result = research_agent.invoke(state)
    goto = get_next_node(result["messages"][-1], "chart_generator")
    # 包装在人类消息中，因为并非所有提供程序都允许
    # 在输入消息列表的最后位置使用AI消息
    result["messages"][-1] = HumanMessage(
        content=result["messages"][-1].content, name="researcher"
    )
    return Command(
        update={
            # 与其他智能体共享研究智能体的内部消息历史
            "messages": result["messages"],
        },
        goto=goto,
    )

# 图表生成智能体和节点
# 注意：此操作执行任意代码执行，未沙盒化时可能不安全
chart_agent = create_react_agent(
    llm,
    [python_repl_tool],
    prompt=make_system_prompt(
        "You can only generate charts. You are working with a researcher colleague."
    ),
)

def chart_node(state: MessagesState) -> Command[Literal["researcher", END]]:
    result = chart_agent.invoke(state)
    goto = get_next_node(result["messages"][-1], "researcher")
    # 包装在人类消息中，因为并非所有提供程序都允许
    # 在输入消息列表的最后位置使用AI消息
    result["messages"][-1] = HumanMessage(
        content=result["messages"][-1].content, name="chart_generator"
    )
    return Command(
        update={
            # 与其他智能体共享图表生成智能体的内部消息历史
            "messages": result["messages"],
        },
        goto=goto,
    )

我们现在可以将所有内容放在一起并定义图！

python
from langgraph.graph import StateGraph, START

workflow = StateGraph(MessagesState)
workflow.add_node("researcher", research_node)
workflow.add_node("chart_generator", chart_node)

workflow.add_edge(START, "researcher")
graph = workflow.compile()

图创建完成后，您可以调用它！让我们用它来绘制一些统计数据。

python
events = graph.stream(
    {
        "messages": [
            (
                "user",
                "First, get the UK's GDP over the past 5 years, then make a line chart of it. "
                "Once you make the chart, finish.",
            )
        ],
    },
    # 图中执行的最大步骤数
    {"recursion_limit": 150},
)
for s in events:
    print(s)
    print("----")

输出结果将显示智能体之间的交互过程，最终生成一个包含英国过去5年GDP数据的折线图。