一、什么是Agent

Agent 本质是一种能自主感知环境、做决策并执行任务的智能实体，核心是 “自主性” 而非简单的工具调用。

它并非单一技术，而是融合了多种 AI 能力的综合体，目的是减少人类在复杂任务中的干预。

Agent 的核心特征

1. 自主感知与理解：能主动获取信息，比如读取邮件、分析文档或理解用户指令，无需人类逐步输入。

2. 目标驱动决策：明确任务目标后，会自主拆解步骤。例如，接到 “规划旅行” 指令时，会自动拆解为订机票、查酒店、做行程等子任务。

3. 动态执行与调整：执行中遇到问题会灵活应对。比如航班取消时，能自动重新查询并推荐替代航班，而非停滞等待人类指示。

Agent 与传统 AI 工具的区别

很多人会混淆 Agent 和 ChatGPT 这类生成式 AI，两者的核心差异在于 “主动性”。

对比维度	Agent（智能体）	传统 AI 工具（如 ChatGPT）
核心逻辑	目标驱动，主动完成任务	指令驱动，被动响应查询
交互方式	一次指令后自主推进，按需反馈	需人类逐轮输入指令，依赖持续引导
典型场景	自动写周报、管理项目进度、智能客服	回答问题、生成文案、翻译文本

以用户需要 “订一家西湖边适合老人吃的餐厅” 为例，Agent 的工作流程如下：

1. 大模型基座解析意图：Agent 首先通过大模型基座来理解用户需求，识别出关键信息，如 “西湖附近”“适合老人”“清淡口味”“人均 200 以内”“订位” 等。同时，大模型还会推理出一些潜在需求，比如餐厅最好有无障碍设施，方便老人进出，菜品需要少油少盐等。

2. RAG 检索补充信息：利用 RAG 技术，Agent 从点评网站等外部数据源抓取西湖周边餐厅的数据，筛选出评分 4.5 以上且有 “无障碍设施” 标签的店家。然后，Agent 会检查最新评论，排除近期服务差或已歇业的选项，确保推荐的餐厅是可靠的。

3. 工具调用执行操作：Agent 调用地图 API 计算用户酒店到餐厅的距离，确保餐厅在步行 15 分钟内可达，方便老人前往。接着，Agent 接入订座系统，自动填写人数、时间，并在备注中注明 “需要一楼座位”，以满足老人腿脚不便的需求。

4. 生成最终结果：最后，Agent 将推荐结果反馈给用户，例如：“推荐楼外楼（孤山路店），主打杭帮菜，有清蒸鲈鱼、龙井虾仁等清淡菜品。已帮您预订周六晚 6 点 4 人桌，一楼靠窗（无台阶）。人均 180 元，点击确认订位信息。”

Agent 与大模型是互补共生的关系，大模型为 Agent 提供智能决策支持，而 Agent 则扩展了大模型的能力边界，使其从知识库转变为行动者。以下是具体说明：

• 大模型是 Agent 的 “超级大脑”：大模型，如 GPT-4、Claude 等，是基于海量数据训练的深度学习系统，拥有强大的语言理解、知识存储和逻辑推理能力。它为 Agent 提供了智能决策支持，主要体现在三个层面。

  • 环境感知层面：大模型能够准确理解用户的自然语言指令，把握其真实意图。例如，当用户提出 “帮我策划一次台北旅行” 时，大模型可以理解用户想要去东京旅游的需求。

  • 任务规划层面：大模型可以将抽象的目标转化为具体的执行步骤。对于 “策划东京旅行” 的需求，大模型能够自动将其分解为查询机票、预订酒店、安排行程等子任务。

  • 推理判断层面：大模型能够根据执行过程中的实时反馈及时调整策略，确保任务的顺利推进。如在预订酒店时，如果遇到所选酒店已满房的情况，大模型可以根据其他条件重新推荐合适的酒店。

• Agent 是大模型的 “行动手脚”：Agent 不是一个单一的模型，而是一个具备环境感知、任务规划、决策执行等综合能力的完整智能系统。它通过其功能模块扩展了大模型的能力边界。

  • 突破知识滞后问题：Agent 可以集成各种 API 接口和软件工具，使大模型能够获取实时信息。例如，在查询天气时，Agent 可以调用天气 API 获取最新的天气数据，解决了大模型知识滞后的问题。

  • 突破上下文长度限制：借助向量数据库等记忆机制，Agent 突破了大模型的上下文长度限制，使其能够处理更复杂的长期任务。比如在处理长篇文档时，Agent 可以通过记忆机制记住文档的关键信息，以便更好地理解和处理文档内容。

  • 约束 “幻觉” 风险：Agent 可以引入规则引擎和安全校验机制，有效约束大模型的 “幻觉” 风险，提高任务执行的可靠性。例如，在医疗数据处理场景中，Agent 通过双模决策机制，将数据分析的准确率从 70% 显著提升至 98%。

二、AutoGen Studio、Dify

AutoGen Studio 是微软开源的多智能体 AI 系统开发框架 AutoGen 的低代码界面，Dify 则是一个开源的 LLM 应用开发平台。

• AutoGen Studiomicrosoft.github.io

  • 基本概述：AutoGen Studio 是一个用于快速原型化 AI 智能体的低代码界面，它基于 AutoGen AgentChat 构建，后者是一个用于构建多智能体应用程序的高级 API。

  • 主要功能：它提供了团队构建器、游乐场、组件库和部署四大主要界面。团队构建器是一个可视化界面，可通过声明式规范或拖放操作创建智能体团队，并支持配置所有核心组件；游乐场是一个交互式环境，用于测试和运行智能体团队，具备消息实时流、消息流可视化等功能；组件库是发现和导入社区创建组件的中心枢纽，便于集成第三方组件；部署功能可以将智能体团队导出为 Python 代码，并在 Docker 容器中运行。

  • 特点：AutoGen Studio 主要用于帮助开发者快速原型化多智能体工作流，并展示使用 AutoGen 构建的最终用户界面示例，但它并非是一个可用于生产环境的应用。

• Dify

  • 基本概述：Dify 是一个面向未来的开源 LLM 应用开发平台，融合了后端即服务与 LLMOps 理念，为开发者和企业提供生产级的生成式 AI 应用构建能力。

  • 主要功能：Dify 提供 AI 应用工厂、企业知识中枢、AI Gateway、Workflow Studio 四大核心产品形态。AI 应用工厂通过低代码界面可快速创建客服机器人等场景化应用；企业知识中枢可构建私有化 AI 大脑，支持多种语言的知识检索与推理；AI Gateway 可统一管理模型 API，实现流量控制与安全审计；Workflow Studio 可可视化编排包含 API 调用、数据库查询的复杂业务流。

  • 特点：Dify 支持数百个开源与商业模型，独创蜂巢架构设计，可实现模型、插件、数据源的动态编排，还内置企业级 RAG 引擎，具备 LLMOps 监控体系。其具有生产就绪性，通过了 ISO 27001 认证，支持千万级日请求处理，同时具有开放性设计，可无缝对接多种云服务，还具备开发者友好、企业级特性强、成本控制佳等特点。

笔者认为AutoGen Studio学习成本比较高，但是值得一试，Dify上手容易，但是到目前为止笔者也不觉着Dify是个企业级的框架。后面有机会笔者会单独出一篇介绍AutoGen Studio的文章。

三、LangGraph构建多智能体

笔记计划后面写一个单独的专栏介绍LangGraph4j

3.1、LangGraph 核心：用 “图思维” 理解多智能体​

LangGraph 的本质是将多智能体的协作逻辑建模为有向图结构，通过三大核心组件实现任务的自动流转与协作，这也是它区别于传统线性工作流工具的关键。​

1. 三大核心组件​

• 状态（State）：多智能体的 “共享记事本”，存储对话历史、设备数据、任务进度等所有流转信息。通常用TypedDict定义结构化格式，支持所有节点读写修改，是协作的核心载体。​

• 节点（Node）：智能体的 “功能工作站”，每个节点对应一个具体任务逻辑，可是子智能体、工具调用或普通函数。例如 “设备状态查询节点”“工单创建节点” 均为独立功能单元。​

• 边（Edge）：流程的 “交通指挥员”，定义节点间的流转规则。支持固定流转（如 “查询后必执行分析”）和条件流转（如 “温度异常则创建工单，正常则直接反馈”）。​

2. 运行机制：超步骤驱动的自动协作​

LangGraph 采用 “超步骤（Super-Step）” 机制实现高效运行，流程如下：​

1. 初始状态下所有节点处于 “非活跃” 状态，START 节点接收用户输入后激活首个节点；​

2. 活跃节点执行逻辑并更新状态，通过边将新状态传递给下一个节点；​

3. 每个超步骤结束后，未收到新消息的节点自动 “投票停止”；​

4. 当所有节点均非活跃且无消息流转时，流程终止（抵达 END 节点）。​

这种机制确保了多智能体既能并行处理任务，又能根据实时状态动态调整流程，完美适配复杂场景的协作需求。​

3.2、撸代码

构建一个智能工厂的运维智能体

以 “处理设备异常并安排检修” 为例，我们构建包含 3 个核心智能体的系统：主管 Agent（总协调）、设备状态查询 Agent（数据获取）、维保任务调度 Agent（工单处理）。​

1. 环境准备​

（1）安装依赖​

首先安装核心库，包含 LangGraph 框架、大模型集成和状态存储工具：​

pip install langchain langchain-openai langgraph python-dotenv typing_extensions

（2）初始化配置​

创建.env文件存储 API 密钥，并用 SQLite 实现短期记忆（对话状态保存）、内存存储模拟长期记忆（设备历史数据）：​

# main.py​
import os​
from dotenv import load_dotenv​
from langgraph.checkpoint.sqlite import SqliteSaver​
from langgraph.store.memory import InMemoryStore​
​
# 加载环境变量​
load_dotenv()​
​
# 短期记忆：保存对话上下文，支持中断恢复​
short_term_memory = SqliteSaver.from_conn_string(":memory:")​
# 长期记忆：存储设备历史故障数据，生产环境可替换为Redis/Postgres​
long_term_memory = InMemoryStore()

2. 定义全局状态​

设计AgentState作为共享数据结构，包含所有智能体需要的信息，确保协作时数据互通：​

from typing import TypedDict, Annotated, List​
from langgraph.graph.message import AnyMessage, add_messages​
​
class AgentState(TypedDict):​
    # 对话历史：自动聚合消息，支持多轮交互​
    messages: Annotated[List[AnyMessage], add_messages]​
    # 设备历史故障：从长期记忆加载​
    device_history: str​
    # 当前操作设备ID：如"C-101"（1号数控车床）​
    device_id: str​
    # 安全机制：防止无限循环​
    remaining_steps: int

3. 构建子智能体节点​

（1）设备状态查询 Agent​

采用 ReAct 风格实现，包含工具定义和节点逻辑，负责查询设备实时数据：​--

from langchain_core.tools import tool​
from langgraph.prebuilt import ToolNode​
        "C-101": {"name": "1号数控车床", "status": "告警", "temp": 95.2, "pressure": 2.8},​
        "P-205": {"name": "5号加压泵", "status": "正常", "temp": 68.1, "pressure": 1.3}​
    }​
    return mock_db.get(device_id, {"error": "设备ID不存在"})​
​
# 2. 创建工具节点：LangGraph预置，自动处理工具调用​
tool_node = ToolNode([query_device_status])​
​
# 3. 定义状态更新逻辑：将查询结果写入对话历史​
def device_agent(state: AgentState) -> AgentState:​
    # 调用工具节点获取数据​
    tool_result = tool_node(state)​
    # 更新状态：添加工具返回结果​
    state["messages"].append(AnyMessage(content=f"设备状态查询结果：{tool_result}"))​
    state["remaining_steps"] -= 1​
    return state

（2）维保任务调度 Agent​

使用 LangGraph 预置的create_react_agent快速构建，专注于工单创建：​

from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent

# 1. 初始化大模型
llm = ChatOpenAI(model="gpt-4o", api_key=os.getenv("OPENAI_API_KEY"))

# 2. 定义工单创建工具
@tool
def create_maintenance_ticket(device_id: str, issue: str) -> str:
    """为故障设备创建维保工单，需提供设备ID和问题描述"""
    # 生产环境替换为真实工单系统API调用
    ticket_id = f"MT-{device_id}-{hash(issue)[:6]}"
    return f"维保工单创建成功，ID：{ticket_id}，问题：{issue}"

# 3. 快速创建React风格Agent
maintenance_agent = create_react_agent(
    llm,
    tools=[create_maintenance_ticket],
    system_message="你是维保任务调度员，根据设备故障信息创建工单，必填设备ID和问题描述"
)

# 4. 封装为图节点
def maintenance_node(state: AgentState) -> AgentState:
    result = maintenance_agent(state)
    state["messages"].append(AnyMessage(content=f"工单处理结果：{result['messages'][-1].content}"))
    state["remaining_steps"] -= 1
    return state

4. 构建主管 Agent（核心调度逻辑）​

主管 Agent 作为 “总指挥”，负责解析用户意图并路由任务，通过条件边实现动态流转：​

def supervisor_agent(state: AgentState) -> str:
    """根据用户意图返回下一个节点：device_agent/maintenance_node/END"""
    user_query = state["messages"][0].content  # 获取用户初始请求
    llm = ChatOpenAI(model="gpt-3.5-turbo")
    
    # 意图分类提示词
    prompt = f"""
    分析用户请求，判断需要调用的节点：
    - 若包含"温度""状态""参数"等词，返回"device_agent"
    - 若包含"检修""工单""维修"等词，返回"maintenance_node"
    - 若任务完成，返回"END"
    用户请求：{user_query}
    """
    response = llm.invoke(prompt).content.strip()
    return response

5. 编排图结构并运行​

将所有节点和边组合为完整图，实现任务自动流转：​

from langgraph.graph import StateGraph, START, END

# 1. 初始化图
graph_builder = StateGraph(AgentState)

# 2. 添加节点
graph_builder.add_node("device_agent", device_agent)  # 设备查询节点
graph_builder.add_node("maintenance_node", maintenance_node)  # 工单创建节点
graph_builder.add_node("supervisor", lambda s: s)  # 主管节点（仅做路由）

# 3. 定义边规则
# 起始节点→主管节点
graph_builder.add_edge(START, "supervisor")
# 主管节点→条件流转（根据意图路由）
graph_builder.add_conditional_edges(
    "supervisor",
    supervisor_agent,  # 路由函数
    {
        "device_agent": "device_agent",
        "maintenance_node": "maintenance_node",
        "END": END
    }
)
# 子节点处理后返回主管节点，继续判断
graph_builder.add_edge("device_agent", "supervisor")
graph_builder.add_edge("maintenance_node", "supervisor")

# 4. 编译图（启用记忆机制）
graph = graph_builder.compile(
    checkpointer=short_term_memory,  # 启用短期记忆
    interrupt_before=["maintenance_node"]  # 可选：人机回环，创建工单前确认
)

# 5. 运行多智能体系统
if __name__ == "__main__":
    # 用户输入：1号车床温度异常，帮我安排检修
    initial_state = {
        "messages": [AnyMessage(content="C-101号车床温度异常，帮我安排检修")],
        "device_history": "C-101曾在3个月前因温度过高停机",
        "device_id": "C-101",
        "remaining_steps": 5  # 最多执行5步，防止循环
    }
    
    # 执行流程并输出结果
    for step in graph.stream(initial_state):
        for node, value in step.items():
            print(f"【{node}】处理结果：{value['messages'][-1].content}")

6. 运行结果​

系统将自动执行以下流程并输出：​

1. 【supervisor】处理结果：路由至 device_agent​

2. 【device_agent】处理结果：设备状态查询结果：{"name": "1 号数控车床", "status": "告警", "temp": 95.2, "pressure": 2.8}​

3. 【supervisor】处理结果：路由至 maintenance_node​

4. 【maintenance_node】处理结果：工单处理结果：维保工单创建成功，ID：MT-C-101-2f8d1a，问题：1 号数控车床温度 95.2℃，状态告警​

3.3、LangGraph 多智能体进阶技巧​

1. 人机回环（Human-in-the-Loop）​

在关键节点添加人工确认，提升系统可靠性。例如创建工单前中断流程：​

# 编译图时添加中断点
graph = graph_builder.compile(
    checkpointer=short_term_memory,
    interrupt_before=["maintenance_node"]  # 工单创建前中断
)

# 人工确认后继续执行
for step in graph.stream(initial_state):
    if "interrupt" in step:
        user_confirm = input("是否创建维保工单？(y/n)")
        if user_confirm == "y":
            graph.resume()  # 继续执行
        else:
            graph.abort()   # 终止流程

2. 记忆优化​

• 短期记忆：用SqliteSaver替换InMemorySaver，支持对话持久化；​

• 长期记忆：将InMemoryStore改为 Redis/Postgres，存储设备历史数据、用户偏好等跨会话信息。​

3. 可观测性建设​

集成 LangFuse 实现流程跟踪与评估，定位节点性能瓶颈：​

import langfuse
from langfuse.langchain import LangfuseCallbackHandler

# 初始化LangFuse
langfuse.init(
    public_key=os.getenv("LANGFUSE_PUBLIC_KEY"),
    secret_key=os.getenv("LANGFUSE_SECRET_KEY"),
    host="https://cloud.langfuse.com"
)

# 运行时添加回调
for step in graph.stream(initial_state, callbacks=[LangfuseCallbackHandler()]):
    # 处理步骤...

通过 LangFuse 可直观看到每个节点的执行时间、工具调用次数，轻松优化系统效率。​

3.4、LangGraph vs 其他多智能体框架​

特性​	LangGraph​	AutoGen​	Dify​
核心定位​	图结构工作流框架​	多智能体对话协作框架​	低代码 LLM 应用平台​
灵活性​	高（全代码控制节点 / 边）​	中（基于对话规则）​	低（可视化拖拽，限制多）​
状态管理​	原生支持共享状态​	依赖消息传递​	内置状态管理​
生产就绪性​	需自行封装部署​	需二次开发​	内置部署、监控功能​
适用场景​	复杂流程多智能体（工业、金融）​	对话式协作（客服、创作）​	快速迭代 LLM 应用（企业助手）​