用 LangGraph 做多 Agent 协作大多数人的第一反应是 SubGraph。我也是。第一次写的时候觉得挺优雅把每个 Agent 封装成一个 SubGraph主 Graph 负责调度SubGraph 内部各自跑自己的 ReAct 循环。Demo 跑通截图发群里觉得自己架构设计得不错。然后需求变了。产品经理说Agent A 的输出要能被 Agent B 拿到但 Agent B 也可能要反过来问 Agent A 再要一个参数。我一看——好SubGraph 之间要双向通信了。LangGraph 的 SubGraph 是单向嵌套的要实现双向要么共享 State耦合要么用外部 Channel复杂要么再包一层 Coordinator Graph又多了一层嵌套。写到第三层嵌套、调试到第二个晚上我决定先放一放。直到看 DeepAgents 文档发现它根本没用 SubGraph 嵌套这条路。它的做法更接近消息总线每个 Agent 是独立的通过消息传递协作由一个 Orchestrator 决定谁先谁后、谁拿谁的输出。这是 Day 8 的笔记把这个机制讲清楚。阅读提示适合谁看用过 LangGraph 做多 Agent踩过 SubGraph 嵌套的坑看完能做什么用 DeepAgents 搭一个双 Agent 协作的最小实验跑通任务分发和结果聚合带走什么判断什么场景该用 Orchestrator 模式什么场景直接用单 Agent 多工具就够了全文约 12 分钟一、全局地图Day 8 在哪一层12 天计划走到第二阶段的最后一站Day 4 讲了 Agent 怎么定义Day 5 讲了工具怎么注册Day 6 讲了 Memory 怎么管理Day 7 讲了工作流编排顺序、并行、条件分支Day 8本篇讲多个 Agent 怎么协作Day 8 是第二阶段的收尾也是整个框架最体现框架感的地方。单 Agent 能做的事Day 4-7 已经覆盖了。Multi-Agent 解决的是任务复杂度超过单 Agent 能力边界时的问题。图 1Multi-Agent 协作架构总览二、先把问题拆清楚多 Agent 到底在解决什么很多人一上来就讨论用几个 Agent但真正该先问的是这个任务真的需要多 Agent 吗一个判断标准经验判断来自我自己做过几个项目后的总结如果任务可以拆成独立子任务每个子任务有自己的工具集和 prompt互不依赖 → 适合多 Agent如果任务是单一流程只是步骤多 → 单 Agent 多工具 条件路由就够了如果子任务之间有复杂依赖A 的输出是 B 的输入B 的判断又影响 A 的下一步→ 多 Agent 状态共享LangGraph 的 SubGraph 在第二种和第三种之间会变得很重。因为 SubGraph 本质上是图嵌套图嵌套层数一多调试就变成在图里找图。DeepAgents 的做法更轻每个 Agent 是独立的执行单元通过 Orchestrator 分发任务、聚合结果。没有图嵌套只有消息流转。三、DeepAgents 的 Multi-Agent 架构Orchestrator Workers核心结构只有两层Orchestrator Agent调度者职责接收用户请求 → 拆分子任务 → 分发给 Worker → 聚合结果 → 返回给用户特点自己也可以有工具但主要职责是调度而不是执行类比项目经理不写代码但决定谁写什么Worker Agents执行者职责接收子任务 → 调用自己的工具 → 返回结果特点每个 Worker 有独立的system_prompt、独立的工具集、独立的 Memory类比开发工程师各负责一个模块代码 1— 最小双 Agent 定义from deepagents import create_deep_agent# Worker A负责搜索信息search_agent create_deep_agent( namesearch_agent, system_prompt你是一个信息搜索专家。根据用户需求搜索相关信息并返回。, tools[web_search, database_query],)# Worker B负责分析和总结analysis_agent create_deep_agent( nameanalysis_agent, system_prompt你是一个数据分析专家。根据提供的数据进行分析并给出结论。, tools[data_analyze, chart_generate],)# Orchestrator负责调度orchestrator create_deep_agent( nameorchestrator, system_prompt你是一个任务调度者。把用户请求拆成子任务分发给合适的 Agent最后聚合结果。, sub_agents[search_agent, analysis_agent],)注意sub_agents这个参数——这是 DeepAgents 区别于 LangGraph SubGraph 的关键。在 LangGraph 里你要把 SubGraphadd_node进主图然后手动定义边和条件路由。在 DeepAgents 里Orchestrator 自动获得调用sub_agents的能力不需要你手动画边。四、通信机制消息怎么在 Agent 之间流转这是理解 Multi-Agent 最核心的部分。图 2Agent 通信时序DeepAgents 的 Agent 间通信走的是消息传递不是共享 State。每个 Agent 有自己的 StateOrchestrator 通过消息把任务发给 WorkerWorker 把结果回给 Orchestrator。具体流程用户发送请求给 OrchestratorOrchestrator 的 LLM 分析请求决定调用哪个 Worker生成delegate_task消息Worker 收到消息后独立执行有自己的 ReAct 循环Worker 执行完把结果封装成task_result消息返回Orchestrator 收到结果后决定是否需要调用其他 Worker或者直接聚合返回代码 2— 消息结构简化版# Orchestrator 发给 Worker 的任务消息delegate_task { type: delegate_task, target_agent: search_agent, task: 搜索最近一周关于 AI Agent 的热门论文, context: {user_query: ..., previous_results: []},}# Worker 返回的结果消息task_result { type: task_result, source_agent: search_agent, status: success, result: 找到 5 篇相关论文摘要如下...,}跟 LangGraph SubGraph 的关键差异维度LangGraph SubGraphDeepAgents Multi-Agent通信方式共享 StateTypedDict消息传递独立 State耦合度高State 字段要对齐低只对消息格式有约定调试图内找图断点不好打消息日志按 Agent 过滤动态调度需要条件边预定义Orchestrator LLM 动态决定嵌套复杂度3 层以上很难维护理论上无嵌套限制五、最小实验双 Agent 协作完成一个任务实验条件环境DeepAgents 0.2.xPython 3.11输入用户问帮我分析小米 SU7 最近一个月的舆情给出建议预期观察Orchestrator 先调 search_agent 搜集信息再调 analysis_agent 分析最后聚合返回代码 3— 完整可运行示例from deepagents import create_deep_agent# Worker 1: 搜索search_agent create_deep_agent( namesearch_agent, system_prompt你是搜索专家。根据任务描述搜索相关信息返回结构化摘要。, tools[web_search],)# Worker 2: 分析analysis_agent create_deep_agent( nameanalysis_agent, system_prompt你是分析师。根据提供的数据进行分析给出结论和建议。, tools[data_analyze],)# Orchestratororchestrator create_deep_agent( nameorchestrator, system_prompt( 你是任务调度者。收到用户请求后\n 1. 先判断需要调用哪些 Agent\n 2. 按依赖顺序分发任务\n 3. 聚合所有结果后回复用户 ), sub_agents[search_agent, analysis_agent],)# 运行result orchestrator.invoke( 帮我分析小米 SU7 最近一个月的舆情给出建议)print(result)你应该看到的日志按时间顺序[orchestrator] 收到用户请求拆分为 2 个子任务[orchestrator] - delegate_task to search_agent: 搜索小米 SU7 最近一个月舆情[search_agent] 开始执行调用 web_search[search_agent] - task_result: 找到 XX 条相关数据...[orchestrator] 收到 search_agent 结果[orchestrator] - delegate_task to analysis_agent: 分析以下舆情数据...[analysis_agent] 开始执行调用 data_analyze[analysis_agent] - task_result: 舆情整体正面建议...[orchestrator] 聚合完成返回用户如果结果不符合预期先看哪里日志里没有delegate_task→ Orchestrator 的 prompt 没有引导它做调度检查system_promptWorker 没执行就返回了 → Worker 的工具没注册成功检查tools参数两个 Agent 串行变成了并行 → 检查 Orchestrator 是否理解了任务依赖关系调整 prompt六、踩坑记录我实际跑的时候遇到的问题坑 1Orchestrator 不调度自己全干了现象你明明给了sub_agents但 Orchestrator 的 LLM 觉得自己也能做直接调了自己绑定的工具返回了。原因Orchestrator 的system_prompt没有明确强调你只负责调度不负责执行。解法在 prompt 里加一句——“你是调度者不要自己执行具体任务必须委派给对应的 Agent”。或者不给 Orchestrator 绑工具。坑 2Worker 之间结果传递丢失上下文现象search_agent 返回了 5 条数据但 analysis_agent 说没有收到数据。原因Orchestrator 在转发时没有把 search_agent 的结果放进context。解法检查 Orchestrator 的 prompt 是否要求它把前序结果作为上下文传给后续 Agent。坑 3SubGraph vs SubAgent 概念混淆现象从 LangGraph 迁移过来习惯性地想给 Worker 也加add_edge和条件路由。原因DeepAgents 的sub_agents不需要你手动画边Orchestrator 的 LLM 自己决定调度路径。解法放下画图思维信任 Orchestrator 的 LLM 调度能力。如果 LLM 调度不准优先调 prompt 而不是加图结构。七、什么时候该用多 Agent什么时候别上更适合任务可拆分为独立子任务子任务需要不同工具集或不同 prompt 策略需要动态决策执行顺序不适合任务是单一流程只是步骤多子任务之间没有信息交换对延迟极度敏感多 Agent 会增加 LLM 调用次数成本突然变高的点Worker 数量超过 5 个后Orchestrator 的 prompt 会很长要描述每个 Worker 的能力token 成本上升3 问判断法这个任务是否需要至少 2 套不同的工具集子任务之间的依赖关系是否不确定需要 LLM 动态判断单 Agent 的 prompt 是否已经长到影响效果如果 3 个问题大多是否定用单 Agent 多工具 条件路由就够了。八、给读者的决策帮助决策帮助如果你刚从 LangGraph 迁移过来先用 DeepAgents 的sub_agents重写你最简单的 SubGraph 场景对比一下代码量和调试体验如果你在做 PoC直接用 Orchestrator 2 个 Worker 起步不要一上来就搞 5 个 Agent如果你在做生产系统重点关注 Orchestrator 的 prompt 工程——它的调度质量直接决定整个系统的效果如果你只能先做一步先写一个 Orchestrator 1 个 Worker 的最小实验跑通消息传递链路Day 8 是第二阶段的收尾。到这里你已经知道了 DeepAgents 的 Agent 定义Day 4、工具注册Day 5、Memory 管理Day 6、工作流编排Day 7、多 Agent 协作Day 8。下一阶段进入工程化能力Day 9 讲容错与可观测性Day 10 讲 RAG 集成。这些是让 Agent 从能跑 demo变成能上生产的关键。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透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】