在构建 Multi-Agent 时，LangGraph 中主要支持哪些协同模式

知识点图片

在 LangGraph 中构建 Multi-Agent（多智能体）系统时，由于其底层的图结构（Graph-based）和共享状态（Shared State）设计，使得它可以非常灵活地实现多种复杂的协同模式。

根据 LangGraph 的官方文档和最佳实践，主要支持以下 5 种核心的多智能体协同模式：

这是 LangGraph 中最经典、应用最广泛的多智能体模式。

工作原理：存在一个中心的“Supervisor（主管）”智能体，它不直接执行具体任务，而是负责理解用户的总体需求，并决定接下来应该由哪个具体的“Worker（员工）”智能体来执行任务。员工完成任务后，会将结果返回给主管，主管再决定是继续分配给其他员工，还是结束任务。
图拓扑结构：星型结构（Star Topology）。
适用场景：需要多种不同专业技能组合的复杂任务。例如：一个 Researcher（负责搜索资料）、一个 Coder（负责写代码）、一个 Reviewer（负责审查），由 Supervisor 居中统筹。
优势：控制力强，不易跑题，状态管理集中。

在这种模式下，没有明确的上下级关系，智能体之间可以直接互相通信。

工作原理：每个智能体都有能力决定下一个该由谁发言。通常通过“条件边（Conditional Edges）”来实现，智能体 A 完成工作后，基于当前的状态（State），大模型会输出下一步应该由 B 还是 C 来接手。
图拓扑结构：全连接或网状结构。
适用场景：头脑风暴、辩论、开放式问题求解。例如：两个不同视角的 AI（如“正方”和“反方”）围绕一个话题进行多轮对话，直到达成共识。
优势：交互更加自然灵活，适合探索性任务。

当任务复杂度极高，单个 Supervisor 无法管理所有 Worker 时，会演化出分层模式。

工作原理：利用 LangGraph 的 Subgraphs（子图） 特性。一个主节点（Top-level Supervisor）把任务分发给中层主管（如“开发团队主管”和“内容团队主管”），这些中层主管本身又是一个独立的 LangGraph，拥有自己的员工（如前端、后端、测试）。
图拓扑结构：树状/嵌套结构（Tree / Nested Graph）。
适用场景：企业级工作流重构、超大型软件开发（如 MetaGPT 的思路，但在 LangGraph 中用嵌套图实现）。
优势：解耦复杂系统，每个子团队（子图）可以独立开发和测试。

多个智能体按照严格的先后顺序依次处理任务，就像工厂的流水线。

工作原理：智能体 A 处理完后，通过固定的边（Normal Edges）将状态传递给智能体 B，B 处理完传给 C。
图拓扑结构：线性结构（Linear）。
适用场景：具有明确先后依赖关系的标准化 SOP 流程。例如：内容生产流水线（大纲生成Agent -> 初稿生成Agent -> 合规审查Agent -> 多语言翻译Agent）。
优势：流程极其稳定可控，容错率高。

用于需要同时处理多个子任务的场景，以提高效率。

工作原理：利用 LangGraph 的 Send API（动态并行） 或并行的图分支。主节点将一个大任务拆分成多个子任务，同时分发给多个相同的或不同的智能体并行处理（Map），等所有智能体都处理完成后，再由一个聚合节点进行总结（Reduce）。
图拓扑结构：分支与合并（Fork and Join）。
适用场景：多源信息聚合、大规模并发审查。例如：用户提问后，同时触发 Google搜索Agent、内部知识库Agent、数据库查询Agent，最后由 总结Agent 综合三方信息给出答案。
优势：大幅缩短响应时间（Latency），适合信息收集和并发计算。

LangGraph 之所以能轻松构建这些模式，主要归功于其底层三大机制：

如何选择？

播面