企业官网建设流程全解析

本文是「LangGraph 教程系列」第 11 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tagv4。

v3 已经把规划、研究和写作拆成了边界清晰的子图。可它们仍按固定顺序执行：先研究，再写作。资料缺了反方证据，谁来要求补查？资料足够时，谁来决定不要再浪费一次搜索？

拆图解决的是封装，团队化解决的是调度。本篇让研究助手拥有一名 Supervisor、研究员、审稿人和写作员。Supervisor 不亲自写答案，而是根据共享状态和专家报告决定下一位该工作的角色。

一、子图和 agent 不是一回事

子图是组合手段。v3 的 researcher 子图把审批、搜索和评估循环关在自己的职责边界内，父图不必知道它查了几轮。

agent 则多了角色、目标和调度权。研究员只补证据，审稿人只找覆盖缺口，写作员只基于已批准资料成稿。它们都可以用子图实现，但不会因为被装进子图就自动成为多智能体。

研究员内部仍是第 10 篇的子图，且每轮检索前仍会暂停等待人工审批。它不会因为变成一个专家，就得到绕过人类决定的权限。

二、三种拓扑，先选最小的一种

多智能体不是“角色越多越好”。常见形状有三种。

本篇选 Supervisor。用户只提出一个研究问题，最后也只需要一份答案；中心调度者能把轮数上限、取消和持久化条件放在一个看得见的位置。hierarchical 和 swarm 并不更高级，它们只是把控制权分散到更复杂的地方。

三、共享状态不是共享一切

专家应通过小而明确的字段契约协作，而不是互相读取提示词或私有变量。

classV4ResearchState(TypedDict,total=False):question:strdocs:Annotated[list[Doc],operator.add]expert_reports:Annotated[list[ExpertReport],operator.add]next_agent:Literal["researcher","critic","writer","finish"]supervisor_turns:intmax_supervisor_turns:intanswer:str

docs是累积的共享证据，expert_reports是同样累积的审计记录。报告必须带上作者和建议，这样 Supervisor 看见“需要继续研究”时，能知道它来自审稿人而不是猜测。

长期记忆、thread_id和ResearchContext沿用 v3。它们仍由父图统一管理：专家不能另开会话，也不能跨过写作节点直接保存研究摘要。

四、Supervisor 只分派工作

Supervisor 的输出不是自由文本，而是受限 JSON。它只可选择四个下一跳，并在分派给研究员时给出下一条查询。

defsupervisor_node(state:V4ResearchState)->dict[str,object]:response=get_llm().invoke([...])decision=_load_json(response.content)next_agent=str(decision.get("next_agent",""))ifnext_agentnotin{"researcher","critic","writer","finish"}:next_agent="researcher"ifnotstate.get("docs")else"critic"return{"next_agent":next_agent,"assignment":str(decision.get("assignment","")),"current_query":str(decision.get("query",""))orstate["question"],"supervisor_turns":state.get("supervisor_turns",0)+1,}

解析失败不能把图留在原地。示例采用保守回退：没有资料就派研究员，有资料就交给审稿人。写作员没有资料时也会被改派给研究员，避免它用空上下文编答案。

图的条件边只读取next_agent。

builder.add_conditional_edges("supervisor",route_after_supervisor,{"researcher":"researcher","critic":"critic","writer":"writer","finish":"finish",},)

这让模型负责判断，代码负责边界。模型不能靠一句提示词跳进一个未注册节点，也不能自行执行持久化。

五、专家报告让返工可见

研究员完成其内部循环后，先写一份报告，再回到 Supervisor。审稿人检查全部资料并返回researcher或writer的建议。

{"agent":"critic","summary":"缺少不同持久化后端的取舍说明。","recommendation":"researcher",}

Supervisor 可以据此让研究员带着新的查询再跑一轮。这个返工不是把完整对话记录塞给每个模型，而是让下一位专家读共享资料和结构化结论。职责越清楚，后续接入来源核验员或合规审查员，越不容易把主图改成一团条件分支。

六、停止规则属于调度层

团队协作特别容易出现“审稿人说还不够，研究员又查一点”的无限回合。因此 v4 在父状态上保存supervisor_turns与max_supervisor_turns，默认最多五次调度。

超过预算时，已有资料就交给写作员如实收尾；没有资料就进入finish节点，明确返回未收集到足够资料。人工拒绝仍由研究员子图返回cancelled，Supervisor 立即结束，且不会执行persist_memory。

七、跑起来

代码在src/v4_multi_agent.py。

python-msrc.v4_multi_agent

首次运行会在研究员的审批点暂停。用相同的thread_id传入Command(resume={"action": "approve"})后，图会从嵌套 checkpoint 恢复。演示会检查最终答案和调度次数；实际开发还应覆盖审稿返工、预算耗尽和人工拒绝三条路径。

到这里，研究助手已经会组织一个小团队，但它还只是本地 Python 进程。下一篇把这张图注册成服务，让客户端能创建会话、提交运行、流式读取结果，并在出问题时看到每个专家到底做了什么。

赞或收藏 关注 我们下次再见