单 Agent 与多 Agent 架构对比及 Python 实战

二、实战演练：Python 搭建主管模式

在企业级项目中，LangGraph 提供了构建状态化 Agent 工作流的强大能力。以下演示经典的'主管模式'（Supervisor Pattern），包含规划师、程序员和审查员三个角色。

2.1 环境准备

pip install langchain langchain-openai langgraph

2.2 定义 Agent 与状态

我们使用 OpenAI 的 LLM 作为推理核心，并定义基础 Agent 类与工作流状态。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from langgraph.graph import StateGraph, END

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# 基础 Agent 类
class BaseAgent:
    def __init__(self, name, system_message):
        self.name = name
        self.llm = llm.with_config(run_name=name)
        self.system_message = system_message

    def invoke(self, state):
        messages = [("system", self.system_message)]
        messages.extend(state["messages"])
        response = self.llm.invoke(messages)
        return {"messages": [response]}

# 定义具体角色
planner_agent = BaseAgent(
    "Planner",
    "你是一个优秀的规划师。将复杂任务分解为清晰、可执行的编程步骤。"
)
coder_agent = BaseAgent(
    "Coder",
    "你是一个经验丰富的 Python 程序员。根据步骤编写高质量代码。"
)
reviewer_agent = BaseAgent(
    "Reviewer",
    "你是一个严谨的代码审查员。检查错误并提出建议。"
)

# 状态定义
class AgentState(dict):
    pass

2.3 构建工作流

主管节点负责根据当前输出决定下一步流向。

def supervisor_node(state: AgentState):
    last_message = state["messages"][-1].content
    if "代码审查通过" in last_message:
        return "end"
    elif "步骤列表" in last_message:
        return "coder"
    elif "Python 代码" in last_message:
        return "reviewer"
    else:
        return "planner"

workflow = StateGraph(AgentState)
workflow.add_node("planner", planner_agent.invoke)
workflow.add_node("coder", coder_agent.invoke)
workflow.add_node("reviewer", reviewer_agent.invoke)

workflow.set_entry_point("planner")
workflow.add_edge("planner", "coder")
workflow.add_edge("coder", "reviewer")
workflow.add_edge("reviewer", "supervisor")

workflow.add_conditional_edges(
    "supervisor", supervisor_node,
    {
        "planner": "planner",
        "coder": "coder",
        "reviewer": "reviewer",
        "end": END
    }
)

app = workflow.compile()

2.4 运行示例

initial_message = HumanMessage(content="请帮我编写一个 Python 函数，计算斐波那契数列的第 n 项。")

for s in app.stream({"messages": [initial_message], "next": "planner"}):
    if "__end__" not in s:
        node_name = list(s.keys())[0]
        message_content = s[node_name]["messages"][-1].content
        print(f"--- {node_name} Agent ---")
        print(message_content)
    else:
        print("--- 任务完成 ---")

该示例展示了如何通过 LangGraph 实现多阶段协作。supervisor_node 充当调度中枢，根据上一个节点的输出智能路由，非常适合需要多角色配合的复杂任务场景。

三、总结

单 Agent 系统适合简单、直接且上下文不复杂的任务，轻量高效；多 Agent 系统则适用于复杂、多阶段且需要高鲁棒性的场景，通过分工协作攻克难关。实际项目中，也可采用混合架构，在多 Agent 框架下让各节点内部复用单 Agent 模式。架构选型的关键在于理解任务需求、资源限制及对系统扩展性的要求。