第四节构建复杂多智能体系统选型对比

架构原理解析：图论 vs 对话

飞书文档 - 图片

2.1 LangGraph 架构解析：基于图论的状态机

LangGraph 的核心思想是将多 Agent 的工作流抽象为一张有向图（Directed Graph）。

❤️

•

节点（Nodes）: 每个节点代表一个具体的执行步骤（可以是一个 Agent、一个工具调用，或者一段 Python 函数）。

•

边（Edges）: 定义了节点之间的流转逻辑（条件判断，例如“如果测试通过则结束，否则返回代码节点”）。

•

状态（State）: 在整个图的执行过程中，有一个全局的 State 对象在各个节点之间传递。每个节点都会读取当前状态，并返回一个更新后的状态。

设计哲学：高度可控、确定性强、状态管理透明。你就像在画一个精确的流程图，所有的流转都在你的掌控之中。

2.2 AutoGen 架构解析：基于对话的交互网络

AutoGen 的核心概念是 ConversableAgent（可对话智能体）。

💡

•

所有的 Agent 都在一个“聊天室”里通过互相发送消息（Messages）来协作。

•

任务的推进不依赖预定义的流程图，而是依赖 Agent 之间的自然语言沟通和内置的终止条件（如接收到 "TERMINATE" 字符串）。

设计哲学：高度灵活、探索性强、代码编写极其简洁。你只需要定义好每个 Agent 的人设（System Prompt）和可用的工具，然后把它们拉进一个群聊，让它们自己去讨论和解决问题。

实战对比：共同完成一个代码编写与测试任务

假设我们需要构建一个包含两个 Agent 的系统：

Coder: 负责根据需求编写 Python 代码。

Tester: 负责运行代码，并将错误反馈给 Coder，直到代码成功运行。

3.1 使用 LangGraph 实现

在 LangGraph 中，我们需要精确定义 State，以及 Coder 和 Tester 两个节点。

python

代码块

Python

from typing import TypedDict, Annotated

from langgraph.graph import StateGraph, END

import operator

# 1. 定义全局状态class AgentState(TypedDict):

messages: Annotated[list, operator.add]

code: str

test_result: str

iterations: int# 2. 定义节点函数def coder_node(state: AgentState):

# 调用 LLM 生成或修改代码

code = llm.invoke("编写或修改代码: " + str(state["messages"]))

return {"code": code, "iterations": state["iterations"] + 1}

def tester_node(state: AgentState):

# 模拟运行代码并返回结果

result = run_python_code(state["code"])

3.2 使用 AutoGen 实现

在 AutoGen 中，代码会显得更加声明式（Declarative）。我们只需要定义好两个 Agent 即可。

python

代码块

Python

from autogen import AssistantAgent, UserProxyAgent

# 1. 定义 Coder Agent (负责写代码)

coder = AssistantAgent(

name="Coder",

llm_config={"config_list": config_list},

system_message="你是一个高级 Python 工程师。请根据需求编写代码。如果测试员报告了错误，请修复代码并重新输出。"

)

# 2. 定义 Tester Agent (作为代理执行代码)

tester = UserProxyAgent(

name="Tester",

human_input_mode="NEVER",

max_consecutive_auto_reply=3,

is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),

code_execution_config={"work_dir": "coding", "use_docker": False}

)

如果你想对比这两种框架在复杂项目中的代码结构差异，可以使用 QubitTool 的文本对比工具来更直观地查看异同。

选型建议

在实际的企业级项目落地中，到底该选谁？

选择 LangGraph 如果：

•

你的业务流程（Workflow）非常明确且固定（如：客服接入 -> 意图识别 -> 知识库检索 -> 生成回复）。

•

你需要对执行过程进行精细的日志记录和状态回溯（Time Travel）。

•

你需要引入人工干预（Human-in-the-loop）来审批某个关键节点的输出。

•

你已经深度绑定了 LangChain 生态。

选择 AutoGen 如果：

•

你的任务具有高度的探索性和开放性（如：让多个 AI 共同探讨一个商业计划）。

•

你需要快速搭建原型（Prototype），不想编写冗长的状态管理代码。

•

你需要非常灵活的组网模式（如：多个子群聊嵌套、群聊动态选举发言人）。

常见问题 (FAQ)

Q: 这两个框架处理死循环（Infinite Loops）的能力如何？ A: AutoGen 依赖配置 max_consecutive_auto_reply 来硬性切断无意义的相互推诿。而 LangGraph 则可以通过在全局 State 中记录迭代次数（Iterations），并在条件边（Conditional Edges）中编写更复杂的退出逻辑。

Q: 哪里可以找到更多 Multi-Agent 框架？ A: 多智能体领域发展迅速，除了这两个巨头，还有 CrewAI、MetaGPT 等优秀框架。你可以访问 QubitTool 的 AI Agent 导航库获取最新的框架评测和实战案例。

总结

LangGraph 就像是一条精密的流水线，强调控制和确定性；而 AutoGen 则像是一个高效的研讨会，强调涌现和灵活性。没有绝对的优劣，只有最适合业务场景的选型。在构建你自己的 Agentic Workflow 时，不妨先梳理清楚：你的任务到底需要多大程度的“失控”？

第四节 构建复杂多智能体系统选型对比

第四节构建复杂多智能体系统选型对比