基于本文回答

播面 播面

刷题像听歌，多听自然懂
0
评论
请从左侧选择一个分类

在LangGraph中，Supervisor（监督者）Agent 的工作原理。它是如何通过图逻辑将任务分发给不同的执行者 Agent 并收集结果的？

知识点图片

在 LangGraph 中，Supervisor（监督者）Agent 模式是一种非常经典且强大的多智能体（Multi-Agent）架构。你可以把 Supervisor 想象成一个“项目经理”，它本身不负责执行具体的繁重任务，而是负责理解总体目标、制定计划、将子任务分发给拥有不同技能的执行者（Worker Agents），并汇总他们的工作成果，直到最终目标完成。

以下是 Supervisor Agent 在 LangGraph 中的工作原理，以及它如何通过图逻辑实现任务分发和结果收集的详细解析：

一、 核心架构：图的组成部分

在 LangGraph 中，Supervisor 模式的图（Graph）主要由以下几个核心部分构成：

  1. 全局状态（State）： 图的血液。通常是一个包含 messages（对话历史记录）和 next（下一个执行者名称）的字典。所有 Agent 都共享并读写这个状态。
  2. Supervisor 节点（Node）： 大脑。一个配置了特定 Prompt 的 LLM，它的唯一任务是阅读当前的状态，并决定接下来该由哪个 Worker 执行，或者是否已经完成任务可以结束。
  3. Worker 节点（Nodes）： 执行者。每个 Worker 是一个专门的 Agent（例如“研究员”、“程序员”、“绘图员”），它们配备了特定的工具（Tools）。
  4. 条件边（Conditional Edges）： 路由逻辑。连接 Supervisor 和各个 Worker，根据 Supervisor 的决策动态改变执行流向。
  5. 普通边（Normal Edges）： 回归逻辑。所有的 Worker 节点执行完毕后，它们的边都强制指向（返回）Supervisor 节点。

二、 工作原理与流转过程（图逻辑）

Supervisor 模式的核心逻辑是一个“中心辐射式”（Hub-and-Spoke）的循环。

1. 任务分发阶段（Supervisor -> Worker）

  • 状态读取： 当用户输入请求时，请求进入全局状态。Supervisor 节点首先被触发。
  • LLM 推理与决策： Supervisor 读取当前状态（用户的原始请求 + 之前 Worker 生成的所有回复）。Supervisor 的 Prompt 通常会这样写：“你是一个监督者，手下有【研究员】和【程序员】。请根据当前的对话历史，决定下一步应该由谁来行动。如果任务已全部完成，请输出【FINISH】。”
  • 结构化输出（Structured Output / Function Calling）： Supervisor 使用 OpenAI 的 Function Calling 等能力，强制输出一个 JSON 或特定的枚举值（例如只允许输出 "Researcher", "Coder", 或 "FINISH"）。
  • 条件路由（Conditional Edge）： LangGraph 的 add_conditional_edges 捕捉到 Supervisor 的输出。如果输出是 "Researcher"，图的执行流就会跳转到“研究员”节点。如果输出是 "FINISH"，则跳转到图的终点 END。

2. 任务执行与结果收集阶段（Worker -> Supervisor）

  • Worker 执行： 被唤醒的 Worker（如“研究员”）读取状态中的任务，使用它专属的工具（如搜索引擎）去完成任务。
  • 状态更新（结果收集）： Worker 完成工作后，会生成一条新的 Message（包含它的执行结果）。在 LangGraph 的 State 定义中，通常会使用 add_messages 这个 Reducer，这意味着 Worker 的结果会被追加（Append）到全局状态的 messages 列表中，而不是覆盖。
  • 强制返回（Normal Edge）： 在图的定义中，所有的 Worker 节点都没有条件判断，它们的工作完成后，边直接连接回 Supervisor（graph.add_edge("Researcher", "Supervisor")）。

3. 循环或结束

  • 由于 Worker 执行完强制返回了 Supervisor，Supervisor 会再次被触发。
  • 此时，Supervisor 看到的全局状态已经更新（包含了用户的请求 + 研究员刚刚查到的资料）。
  • Supervisor 再次评估：资料足够了吗？如果足够，还需要写代码，于是它输出 "Coder"，流程跳转给程序员。如果全部完成，它输出 "FINISH"，图运行结束，向用户返回最终的全局状态。

三、 简化的代码逻辑示例

为了更直观地理解，以下是 Supervisor 模式在 LangGraph 中的核心伪代码/逻辑框架：

python 
from langgraph.graph import StateGraph, END
from typing import Annotated, TypedDict
from langchain_core.messages import BaseMessage
import operator

# 1. 定义全局状态 (State)
# 使用 operator.add 确保消息是追加的，这是收集结果的关键
class AgentState(TypedDict):
    messages: Annotated[list[BaseMessage], operator.add]
    next: str # 记录下一个该谁执行

# 2. 定义节点 (Nodes)
def supervisor_node(state: AgentState):
    # LLM 分析 messages，决定下一个是 "Researcher", "Coder", 还是 "FINISH"
    # 返回一个字典更新 State 中的 'next' 字段
    next_worker = llm_with_structured_output.invoke(state["messages"]) 
    return {"next": next_worker}

def researcher_node(state: AgentState):
    # 研究员执行任务，调用搜索工具
    result = researcher_agent.invoke(state["messages"])
    # 将结果作为新消息返回，LangGraph 会自动追加到 state["messages"] 中
    return {"messages": [result]}

def coder_node(state: AgentState):
    # 程序员执行任务，编写代码
    result = coder_agent.invoke(state["messages"])
    return {"messages": [result]}

# 3. 构建图 (Graph)
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("Supervisor", supervisor_node)
workflow.add_node("Researcher", researcher_node)
workflow.add_node("Coder", coder_node)

# 4. 定义路由逻辑 (Edges)
# 所有的 Worker 执行完后，必须回到 Supervisor（结果收集与重新评估）
workflow.add_edge("Researcher", "Supervisor")
workflow.add_edge("Coder", "Supervisor")

# Supervisor 根据 state["next"] 决定去哪（任务分发）
workflow.add_conditional_edges(
    "Supervisor",
    lambda state: state["next"], # 路由函数：直接读取 state 里的 next 字段
    {
        "Researcher": "Researcher",
        "Coder": "Coder",
        "FINISH": END # 如果是 FINISH，则结束整个流程
    }
)

# 设置入口点
workflow.set_entry_point("Supervisor")

# 编译图
app = workflow.compile()

四、 这种模式的优势

  1. 职责分离（Separation of Concerns）： 大模型不需要同时充当规划者、搜索者和编码者。Supervisor 专注规划，Worker 专注执行。这大大降低了单个 Prompt 的复杂度，减少了幻觉。
  2. 状态共享与自然聚合： LangGraph 的 State 机制使得“结果收集”变得自动化。Supervisor 不需要编写额外的代码去拉取数据，Worker 只要把结果放到共享的 Message 列表里，Supervisor 下一次“醒来”时自然就能看到。
  3. 动态与灵活： 任务不是线性硬编码的。如果程序员写代码报错了，它把报错信息放入 State，Supervisor 看到报错后，可以再次把任务派发给程序员去修复，或者派发给研究员去查解决方案。这种图逻辑允许复杂的循环和重试机制。
00:00
00:00