LangGraph实现多智能体的方法

生活中我们常常需要同时处理多个任务，比如预订旅行时，既要订机票，又要订酒店。如果有一个智能助手能同时帮你搞定这些事情，那该有多方便啊！LangGraph的多智能体系统就能做到这一点。它就像一个超级助手团队，每个成员都有自己的专长，一起合作完成复杂的任务。接下来，我们就来看看这个神奇的多智能体系统是如何工作的。

在LangGraph中，有两种流行的多智能体架构：监督者（Supervisor）和群体（Swarm）。
监督者就像一个团队的领导，它控制所有的通信流程和任务委派，根据当前上下文和任务需求决定调用哪个智能体。
而群体则更像一个自由合作的团队，智能体根据自己的专业领域动态地将控制权交给彼此。

监督者架构

监督者架构中，有一个中央智能体负责协调所有的任务。像一个指挥官，根据任务的需求，将任务分配给不同的智能体。

比如，当你需要预订机票和酒店时，监督者会根据你的需求，将预订机票的任务分配给航班预订智能体，将预订酒店的任务分配给酒店预订智能体。

 pip install langgraph-supervisor

# -*- coding: utf-8 -*-
from langgraph.prebuilt import create_react_agent
from langchain_community.chat_models.tongyi import ChatTongyi

# from langchain_community.llms.tongyi import Tongyi
from langgraph_supervisor import create_supervisor
# pip install langgraph-supervisor

#模型初始化
llm = ChatTongyi(
    model="qwen-max-latest",#qwen-max-latest qwen-plus qwen-turbo
    temperature=0,
    verbose=True,
    )

def book_hotel(hotel_name: str):
   """预订酒店"""
   return f"已成功预订了酒店 {
     
     hotel_name}."

def book_flight(from_airport: str, to_airport: str):
    """预订航班"""
    return f"已成功预订了航班 从 {
     
     from_airport} 到 {
     
     to_airport}."

# Supervisor监督者 多智能体
#酒店智能体
hotel_assistant = create_react_agent(
    model=llm,
    tools=[book_hotel],
    prompt="你是一位酒店预订助手。",
    name="酒店预订助手"
)

#航班智能体
flight_assistant = create_react_agent(
    model=llm,
    tools=[book_flight],
    prompt="你是一位航班预订助手。",
    name="航班预订助手"
)

supervisor = create_supervisor(
    agents=[flight_assistant,hotel_assistant,],
    model=llm,
    prompt=(
        "你管理着一个酒店预订助手和一个航班预订助手，"
        "给他们分配工作任务。完成任务就行"
    )
).compile(<