本文深入解析了 LangChain 和 LangGraph 在多 Agent 系统中的应用。LangChain 作为“通用积木层”提供统一模型接口、消息格式、Prompt、Tool、Retriever、结构化输出、Middleware 等能力便于快速构建 Agent。LangGraph 则作为“编排/状态机层”适用于多 Agent、长流程、状态持久化等场景。文章总结了多 Agent 搭建的核心模块包括 Models、Messages、Prompts、Tools、Agents并详细介绍了 Subagents/Supervisor、Handoffs、Skills、Router/Custom Workflow 等官方推荐模式。最后提供了落地时最常用的模块组合和入门级多 Agent 结构帮助开发者快速上手。LangChain 在多 Agent 里主要干什么LangChain 更像“通用积木层”帮你统一模型接口、消息格式、Prompt、Tool、Retriever、结构化输出、Middleware 这些能力并且提供现成的create_agent来快速起一个 Agent。官方现在也明确把它定位成“预置 Agent 架构 各类模型/工具集成”的框架。而LangGraph 更像“编排/状态机层”当你做多 Agent、长流程、需要持久化状态、可恢复执行、人工介入时LangGraph 更合适。官方也说明LangChain 的内置 Agent 本身就是基于 LangGraph 原语实现的如果你需要更深的定制就应直接下沉到 LangGraph。简单 AgentLangChain 就够了真正多 Agent / 多阶段工作流 / 状态持久LangChain LangGraph是主流搭配。搭多 Agent 时LangChain 里最常用的模块1Models模型抽象层这是最底层。LangChain 给不同厂商模型提供统一接口方便你在 OpenAI、Anthropic、Google 等模型之间切换。官方也强调它的标准模型接口就是为了降低切换成本。多 Agent 里怎么用不同 Agent 可绑不同模型例如Planner 用强推理模型Executor 用便宜模型Summarizer 用小模型2Messages消息对象LangChain 把对话上下文统一成messages。官方写得很明确messages 是模型上下文的基本单位承载内容和元数据。多 Agent 里怎么用主 Agent 维护全局消息子 Agent 拿局部消息你可以控制“哪些历史要传给哪个 Agent”这一步非常关键因为多 Agent 的本质常常不是“模型更多”而是上下文切分更合理。3Prompts提示词模板LangChain 有 Prompt 模板体系像PromptTemplate、ChatPromptTemplate这种都属于这个层。PromptTemplate 本质上是带参数的模板在 Agent 场景里你也可以直接给create_agent传system_prompt。多 Agent 里怎么用给每个 Agent 单独设角色 Prompt例如planner负责拆任务不直接调用外部系统researcher负责检索coder负责生成代码reviewer负责检查结果这个模块非常适合做“角色分工”。4Tools工具系统官方定义很直接Tools 扩展 Agent 的能力可以拿实时数据、执行代码、查数据库、对外部世界做动作本质上是有清晰输入输出的可调用函数。多 Agent 里怎么用给不同 Agent 挂不同工具让 Agent 职责边界更清晰也能减少单个 Agent 面对太多工具时的选择混乱例如research_agent只给检索工具sql_agent只给数据库工具calendar_agent只给日程工具compliance_agent只给政策规则工具这是多 Agent 最实用的一点。5Agents现成 Agent 框架官方说明create_agent是一个production-ready的 Agent 实现Agent 会在“模型—工具—模型—工具”的循环里运行直到输出最终答案或达到停止条件。多 Agent 里怎么用你可以先把每个子能力都做成一个独立 Agent再把这些 Agent 包成 tool 或挂进 graph 里也就是说一个很常见的套路是research_agentcreate_agent(...) sql_agentcreate_agent(...) planner_agentcreate_agent(...)然后上面再放一个 supervisor 去调它们。多 Agent 时LangChain 官方给出的几种模式官方专门有 multi-agent 文档并且明确说并不是所有复杂任务都需要多 Agent当单 Agent 拥有太多工具、上下文过大、或需要强顺序约束时多 Agent 才特别有价值。3.1 Subagents / Supervisor 模式这是最经典的模式。官方定义是主 Agentsupervisor把子 Agent 当作工具来调用由主 Agent 决定调谁、传什么参数、怎么汇总结果。并且官方特别说明subagents 默认是无状态的历史记忆由主 Agent 统一维护。适用场景多领域分工很明显子 Agent 不需要直接和用户长期对话你希望统一调度非常适合企业助理商旅规划RAG SQL 搜索 日程 的混合系统3.2 Handoffs 模式handoff 的核心是行为由状态驱动变化。工具调用会更新状态变量比如current_step或active_agent系统再根据这个状态切换 Agent 或切换配置。官方给出的实现方式包括1单 Agent middleware 动态改配置2多个 agent subgraph 之间切换。适用场景必须按步骤推进不同阶段跟用户交互方式不同例如售后流程、审批流、表单收集这个模式很像“带状态机的对话流程”。3.3 Skills 模式官方的意思是你不一定要拆成多个真正独立的 Agent也可以做成单 Agent 按需加载专门技能/上下文。当你只是 specialization 很多但不想上太复杂的多 Agent 编排时这种方式比较轻。适用场景一个 Agent但领域多想做“渐进式暴露工具/知识”不想太早引入复杂 supervisor3.4 Router / Custom Workflow 模式官方教程里把 router 和 custom workflow 也放进多 Agent 相关实践里可以先分类再路由到不同 Agent或者直接把某个 Agent 当成 graph 的一个节点和确定性逻辑混编。适用场景先判断任务类型再派单例如技术问答 - research_agent数据查询 - sql_agent计划制定 - planner_agent真正落地时最该用的 LangChain / LangGraph 模块组合下面这个组合最常见。A.create_agent快速做每个子 Agent。官方推荐的现成实现。B.tool把普通函数变成可调用工具也可以把一个子 Agent 再包装成 tool 给 supervisor 用。官方文档里的 subagent 例子就是这么做的。C. State / Nodes / Edges这是 LangGraph 的核心三件套State共享状态Nodes节点逻辑Edges决定下一步去哪。这三者基本就是你多 Agent 系统的“骨架”。D. Subgraphs官方明确说subgraph 可以作为另一个 graph 的 node很适合多 Agent 系统也适合不同团队分模块开发。你可以理解为每个复杂 Agent 自己是一张小图总系统再是一张大图E. Memory / CheckpointerLangGraph 官方区分了短期记忆作为 state 的一部分支持多轮对话长期记忆跨 session 存用户级或应用级数据。多 Agent 里尤其重要因为不是每个 Agent 都该看到所有历史但系统又必须知道全局任务进展F. Retrieval / Retriever / Vector Store官方把 Retriever 定义为输入非结构化 query返回文档列表的接口它比 vector store 更泛化而 vector store 则提供统一的相似检索接口。多 Agent 里通常会单独做一个retrieval_agentpolicy_agentknowledge_agentG. Structured Output官方支持让 Agent 直接返回 JSON、Pydantic model、dataclass 等结构化结果而不是你自己去 parse 文本。create_agent可以自动处理结构化输出。这个对多 Agent 非常重要因为子 Agent 返回给主 Agent 时最好不是自然语言而是结构化字段比如task_typeconstraintsretrieved_docsrisk_flagsfinal_planH. Middleware官方说明 middleware 可以控制 Agent 执行过程比如日志、提示词改写、工具选择、输出变换、重试、fallback、限流、guardrails、PII 检测等也支持在before_model、after_model等阶段挂钩子。这在多 Agent 里非常好用动态切换 system prompt限制某阶段可见工具给不同 Agent 加安全检查做 step-based handoff5.搭一个多 Agent场景一只是功能分工不复杂用create_agenttool一个 supervisor agent也就是Subagents 模式。这是最省事的。官方也说当你有多个明显不同领域时这种模式很适合。场景二任务有明确阶段必须按流程推进用LangChain agentLangGraph statemiddleware / handoff也就是Handoffs / state machine 模式。官方给 customer support 的例子就是这么做的。场景三你要做真正“可控”的企业级多 Agent用LangChain模型、tool、retriever、structured outputLangGraphstate、node、edge、subgraph、checkpoint、interrupt这是现在最稳的组合。官方也在文档里反复把多 Agent 教程描述为“LangChain agents LangGraph workflows”的结合。给你一个适合入门的多 Agent 结构如果你现在要做一个项目我建议先从这个 4-Agent 版本开始User -supervisor_agent -planner_agent -retrieval_agent -executor_agent -reviewer_agent每个 Agent 干什么1supervisor_agent接收用户请求判断该调谁汇总最终答案2planner_agent拆任务生成步骤提取约束3retrieval_agent查知识库 / 向量库 / SQL / API返回结构化证据4executor_agent真正执行动作调工具、生成草稿、算结果5reviewer_agent做校验看是否缺字段、是否违规、是否需要补查一个很小的代码骨架思路下面我写一个“supervisor 两个子 agent”的简化思路from langchain.agentsimportcreate_agent from langchain.toolsimporttool plannercreate_agent( modelopenai:gpt-4.1, tools[], system_prompt你是任务规划Agent只负责拆解任务不直接执行。 ) researchercreate_agent( modelopenai:gpt-4.1-mini, tools[], system_prompt你是检索Agent只负责查资料并返回证据。 ) tool(plan_task) defplan_task(user_query: str) - str: resultplanner.invoke({ messages: [{role: user, content: user_query}] }) returnresult[messages][-1].content tool(research) defresearch(query: str) - str: resultresearcher.invoke({ messages: [{role: user, content: query}] }) returnresult[messages][-1].content supervisorcreate_agent( modelopenai:gpt-4.1, tools[plan_task, research], system_prompt你是总控Agent负责选择合适的子Agent并整合结果。 )这就是官方 subagents 思路的一个缩小版把子 Agent 包成 tool交给主 Agent 调度。2026年AI行业最大的机会毫无疑问就在应用层字节跳动已有7个团队全速布局Agent大模型岗位暴增69%年薪破百万腾讯、京东、百度开放招聘技术岗80%与AI相关……如今超过60%的企业都在推进AI产品落地而真正能交付项目的大模型应用开发工程师****却极度稀缺落地AI应用绝对不是写几个prompt调几个API就能搞定的企业真正需要的是能搞定这三项核心能力的人✅RAG融入外部信息修正模型输出给模型装靠谱大脑✅Agent智能体让AI自主干活通过工具调用Tools环境交互多步推理完成复杂任务。比如做智能客服等等……✅微调针对特定任务优化让模型适配业务目前脉脉上有超过1000家企业发布大模型相关岗位人工智能岗平均月薪7.8w实习生日薪高达4000远超其他行业收入水平技术的稀缺性才是你「值钱」的关键具备AI能力的程序员比传统开发高出不止一截有的人早就转行AI方向拿到百万年薪AI浪潮正在重构程序员的核心竞争力现在入场仍是最佳时机我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】⭐️从大模型微调到AI Agent智能体搭建剖析AI技术的应用场景用实战经验落地AI技术。从GPT到最火的开源模型让你从容面对AI技术革新大模型微调掌握主流大模型如DeepSeek、Qwen等的微调技术针对特定场景优化模型性能。学习如何利用领域数据如制造、医药、金融等进行模型定制提升任务准确性和效率。RAG应用开发深入理解检索增强生成Retrieval-Augmented Generation, RAG技术构建高效的知识检索与生成系统。应用于垂类场景如法律文档分析、医疗诊断辅助、金融报告生成等实现精准信息提取与内容生成。AI Agent智能体搭建学习如何设计和开发AI Agent实现多任务协同、自主决策和复杂问题解决。构建垂类场景下的智能助手如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等。如果你也有以下诉求快速链接产品/业务团队参与前沿项目构建技术壁垒从竞争者中脱颖而出避开35岁裁员危险期顺利拿下高薪岗迭代技术水平延长未来20年的新职业发展……那这节课你一定要来听因为留给普通程序员的时间真的不多了立即扫码即可免费预约「AI技术原理 实战应用 职业发展」「大模型应用开发实战公开课」还有靠谱的内推机会直聘权益完课后赠送大模型应用案例集、AI商业落地白皮书