LangGraph代理架构及Router Agent介绍

上有晨光

于 2025-04-24 17:13:53 发布

阅读量713

点赞数 10

分类专栏：大模型Agent开发文章标签： langgraph 大模型 Agent 人工智能

本文链接：https://blog.csdn.net/qq_43588095/article/details/147483122

版权

大模型Agent开发专栏收录该内容

53 篇文章

订阅专栏

LangGraph代理模式

一、LangGraph代理模式总览

（一）围绕State的核心机制

LangGraph集成多种代理模式以适配不同AI agent应用场景，这些代理模式均围绕state状态展开。在前后节点间，中间流程及状态信息依靠state进行传递，state是整个代理模式运作的关键枢纽。

（二）代理架构的控制与类型

随着应用程序需求复杂度的提升，大模型在其中的操作和控制权限也相应增加。LangGraph官方对代理架构的控制程度有清晰界定，从路由代理到全自动接管，大模型介入工作和决策动作逐渐增多。主要的四类代理架构如下：

路由代理（Router Agent）：控制程度相对较低，其运作方式类似编程中的if - else判断语句，大模型根据预设条件选择执行路径。
工具调用代理（Tool - calling Agent ）：大模型具备自主决策调用外部工具（如数据库查询、文本编辑、计算工具等）并执行的能力，根据工具返回结果进一步处理任务。
自主循环代理（Autonomous Loop Agent ）：大模型自主决策并循环执行任务，控制程度较高。它利用预定义步骤（包含执行函数、工具调用等）集合不断循环决策，自主判断任务完成情况，直至输出结果。
多代理（Multi - Agent ）：由多个单代理相互协作构成，Agent间可相互输入输出，自主循环交互，能够灵活应对复杂场景。这四类代理架构构成了LangGraph构建AI Agent应用的基础框架，开发者可在此基础上进行自主研发扩展，以适配更复杂的任务需求。

二、路由代理（Router Agent）详解

（一）原理与场景

路由代理基于条件边概念工作。在LangGraph中，Start节点负责接收用户输入，大模型借助Router函数，依据输入内容及中间过程进行决策，引导输入走向相应的处理流程。例如，当输入结构化查询请求时，可能导向数据库操作节点；若输入简单问候语，则直接返回响应。每个决策路径最终都指向End节点。

（二）代码实现

基础构建：使用dict定义图状态，作为共享状态数据类型。添加由函数构成的节点，在函数内部编写具体逻辑。通过add_edge方法构建节点之间的关联关系，明确数据的流向。例如：

from langgraph.graph import START, StateGraph, END
from langgraph.graph import StateGraph

def node_a(state):
    return {"x": state["x"] + 1}

def node_b(state):
    return {"x": state["x"] - 2}

builder = StateGraph(dict)
builder.add_node("node_a", node_a)
builder.add_node("node_b", node_b)
builder.add_edge(START, "node_a")
builder.add_edge("node_a", "node_b")
builder.add_edge("node_b", END)
graph = builder.compile()

在这段代码里，首先从langgraph.graph导入所需对象。接着定义node_a和node_b两个节点函数，分别对共享状态中的x进行加1和减2操作。然后创建StateGraph对象builder，利用add_node方法添加节点，再用add_edge方法构建从START经node_a、node_b到END的路径，完成图的基本构建后，通过compile方法进行编译。
2. 条件边构建：核心是使用Graph基类中的add_conditional_edges方法，该方法接收多个重要参数：

source：指定分支起始节点，确定从哪个节点开始进行分支决策。
path：是一个可调用函数，它接收全局共享状态，返回节点名称或布尔值来决定路由方向。可以是普通函数、异步函数或可运行对象。
path_map（可选）：用于节点名称映射。当path返回的不是直接的节点名称（如布尔值）时，可通过path_map将其映射到具体的节点名称。
then：用于指定在path选择的节点之后执行的节点名称。

class Graph:
    def __init__(self) -> None:
        self.nodes: dict[str, NodeSpec]
        self.edges = set[tuple[str, str]]()
        self.branches: defaultdict[str, dict[str, Branch]] = defaultdict(dict)
        self.support_multiple_edges = False
        self.compiled = False

    def add_conditional_edges(
        self,
        source: str,
        path: Union[
            Callable[..., Union[Hashable, list[Hashable]]],
            Callable[..., Awaitable[Union[Hashable, list[Hashable]]]],
            Runnable[Any, Union[Hashable, list[Hashable]]],
        ],
        path_map: Optional[Union[dict[Hashable, str], list[str]]] = None,
        then: Optional[str] = None,
    ) -> Self:
        pass

示例操作：定义路由函数，根据状态值判断返回相应的节点名。添加节点并设置起始节点，使用add_conditional_edges方法添加条件边，传入起始节点和路由函数，完成图的构建、编译及可视化。也可以结合path_map，根据路由函数返回的布尔值映射到不同节点，构建更灵活的路由逻辑。

from langgraph.graph import START, StateGraph, END
from langgraph.graph import StateGraph
from IPython.display import Image, display

def node_a(state):
    return {"x": state["x"] + 1}

def node_b(state):
    return {"x": state["x"] - 2}

def node_c(state):
    return {"x": state["x"] + 1}

def routing_function(state):
    if state["x"] == 10:
        return "node_b"
    else:
        return "node_c"

builder = StateGraph(dict)
builder.add_node("node_a", node_a)
builder.add_node("node_b", node_b)
builder.add_node("node_c", node_c)
builder.set_entry_point("node_a")
# 重点关注
builder.add_conditional_edges("node_a", routing_function)
graph = builder.compile()
display(Image(graph.get_graph(xray=True).draw_mermaid_png()))

在这里插入图片描述

在该示例中，定义了node_a、node_b、node_c节点函数和routing_function路由函数。routing_function根据共享状态中x的值决定返回node_b或node_c。创建StateGraph对象builder后，添加节点并设node_a为起始节点，通过add_conditional_edges方法添加条件边，编译图后使用display和Image展示可视化图结构，直观呈现路由分支效果。

from langgraph.graph import START, StateGraph, END
from langgraph.graph import StateGraph
from IPython.display import Image, display

def node_a(state):
    return {"x": state["x"] + 1}

def node_b(state):
    return {"x": state["x"] - 2}

def node_c(state):
    return {"x": state["x"] + 1}

def routing_function(state):
    if state["x"] == 10:
        return True
    else:
        return False

builder = StateGraph(dict)
builder.add_node("node_a", node_a)
builder.add_node("node_b", node_b)
builder.add_node("node_c", node_c)
builder.set_entry_point("node_a")
# 重点关注
builder.add_conditional_edges("node_a", routing_function, {True: "node_b", False: "node_c"})
builder.add_edge("node_b", END)
builder.add_edge("node_c", END)
graph = builder.compile()
display(Image(graph.get_graph(xray=True).draw_mermaid_png()))

此示例进一步展示了结合path_map的用法。routing_function返回布尔值，通过add_conditional_edges的path_map参数，将True映射到node_b，False映射到node_c，并添加从node_b和node_c到END的边，构建出更灵活的路由逻辑。

在这里插入图片描述

（三）优势与劣势

优势：开发者能够基于业务逻辑预先规划整个流程，对中间过程实现高度可控。其逻辑清晰明了，便于理解和维护，在处理简单规则的任务时优势明显。
劣势：灵活性方面存在欠缺，面对构建图时未考虑到的边缘情况，难以做出合适的响应。当业务变得复杂时，拓展性受到限制，图结构容易变得复杂，增加维护成本。

（四）应用场景

适用于业务逻辑固定明确的场景。例如在电商系统中，可根据订单类型（普通订单、退换货订单等）进行不同的流程处理；在客服问答系统里，依据用户问题类型（产品信息咨询、售后投诉等）转接至不同的处理模块。

三、构建路由代理的关键要点

（一）优势与局限

在构建图结构时，开发者可以基于业务逻辑和个人需求，对中间过程实现高度可控，预先明确可能出现的问题和分支走向，这使得整个流程具有较好的可管理性。然而，当出现构建图时未考虑到的边缘条件时，路由代理可能无法做出正确响应，其适应性相对较弱。

（二）路由函数设计

构建路由代理的关键在于合理设计router function。它需要精确判断用户意图，从而确定后续分支路径。在实际业务场景中，判断逻辑往往较为复杂，并非简单的条件判断。例如上述示例中判断“x = 10”的逻辑，在实际应用中会被更复杂的业务逻辑取代，需要开发者根据具体需求进行精细化设计。这一过程依赖大模型结构化输出能力，以识别不同输入模式，做出准确决策。
在这里插入图片描述

四、其他代理模式简介

（一）工具调用代理（Tool - calling Agent ）

原理：大模型能够自主决策调用外部工具（如数据库查询工具、文本编辑工具、计算工具等）并执行操作，然后依据工具返回的结果进一步处理任务，以此来完成更复杂的功能。
优势与劣势：借助外部丰富的工具，大大拓展了大模型的能力边界，使其能够灵活应对各种不同类型的任务。然而，该代理模式对工具的稳定性有较强依赖，一旦工具出现故障、接口变更等问题，会影响代理的正常工作。同时，合理选择和组合工具需要精确的判断和规划，否则可能导致资源浪费或任务处理失误。
应用场景：广泛应用于需要多种专业工具协同工作的场景。比如科研数据处理，可能需要调用数据采集工具、数据分析工具、绘图工具等；在智能写作场景中，会调用语法检查工具、素材检索工具等辅助创作。

（二）自主循环代理（Autonomous Loop Agent ）

原理：Start节点接收输入后，大模型利用预定义的步骤（包括执行函数、工具调用等）集合不断进行循环决策。在这个过程中，大模型自主判断任务是否完成，若未完成则持续尝试，直至认为结果能够输出给用户。
优势与劣势：自主性极高，无需人工过多干预中间过程，能够充分发挥大模型的智能决策能力，尤其擅长处理复杂、实现路径不清晰的任务。但由于模型自主决策过程复杂，导致结果难以预知，调试和优化工作困难，并且决策过程的可解释性较差，不利于对结果进行合理性验证。
应用场景：适用于复杂问题求解场景，如科学研究中的创新算法探索、复杂系统故障诊断等，这些场景需要模型自主尝试多种方法找到解决方案。

（三）多代理（Multi - Agent ）

原理：基于LangGraph底层图的构建思路，由多个单代理（如路由代理、工具调用代理等）相互协作构成。Agent之间可以相互输入输出，实现自主循环交互，共同完成复杂任务。
优势与劣势：不同类型的代理发挥各自优势，协同处理任务，能够显著提升任务处理的效率和效果，并且扩展性良好，可根据任务需求灵活添加或调整代理。但多个代理之间的通信、协作和任务分配需要精细设计和管理，否则容易出现冲突或任务衔接不畅的问题。随着代理数量和交互逻辑的增加，整个系统的复杂度会呈指数级上升，维护和调试成本高昂。
应用场景：适用于大型复杂系统和分布式任务场景。如智能城市管理中，涉及交通管理、能源调度、公共服务等多个领域的任务需要多代理协作完成；在大型企业的业务流程管理中，采购、生产、销售等多个环节的协同工作也可借助多代理实现高效运作。