如果你正在学习AI智能体开发可能会遇到这样的困境看了很多概念介绍但一到实际项目就无从下手或者尝试了各种框架却发现智能体之间的协作和状态管理异常复杂。这正是传统智能体开发面临的真实痛点。LangGraph的出现改变了这一局面。与LangChain相比LangGraph最大的突破在于将智能体工作流建模为有状态图结构让复杂的多智能体协作变得像画流程图一样直观。而MCPModel Context Protocol协议的加入更是为工具调用提供了标准化解决方案。本文将从零开始带你完整实现一个具备文件处理、数据库操作和网络搜索能力的多智能体系统。无论你是刚接触智能体开发的新手还是希望升级现有项目的开发者都能获得可直接复用的实战经验。1. 智能体开发的核心痛点与解决方案1.1 传统智能体开发的三大挑战在实际项目中开发AI智能体时开发者通常会面临以下核心问题状态管理复杂智能体在执行过程中需要维护对话历史、工具调用结果、用户上下文等多种状态。传统方式往往需要手动管理这些状态代码冗长且容易出错。工具调用不统一不同的工具数据库、API、文件系统需要不同的调用方式和认证机制缺乏统一的标准接口。协作流程难以设计多智能体协作时如何设计执行流程、处理冲突、实现任务分发都是棘手问题。1.2 LangGraph MCP 的技术优势LangGraph通过图结构直观地描述智能体工作流每个节点代表一个处理步骤边代表执行路径。这种设计带来以下优势可视化流程设计工作流可以图形化展示便于理解和调试内置状态管理自动处理状态传递和持久化灵活的路由逻辑支持条件分支、循环、并行执行等复杂逻辑MCP协议则解决了工具调用的标准化问题让智能体能够以统一的方式调用各种外部资源。2. 环境准备与工具安装2.1 基础环境要求在开始项目前确保你的开发环境满足以下要求# 检查Python版本 python --version # 需要 Python 3.8 或更高版本 # 检查包管理器 pip --version2.2 核心依赖安装创建新的项目目录并安装必要依赖# 创建项目目录 mkdir langgraph-mcp-agent cd langgraph-mcp-agent # 创建虚拟环境推荐 python -m venv venv source venv/bin/activate # Linux/Mac # venv\Scripts\activate # Windows # 安装核心依赖 pip install langgraph langchain-openai mcp-client2.3 配置API密钥创建.env文件存储敏感信息# 创建.env文件 touch .env在.env文件中配置你的API密钥# .env文件内容 OPENAI_API_KEY你的OpenAI API密钥3. LangGraph 核心概念解析3.1 图结构的基本组成LangGraph的核心是图Graph概念主要由以下元素构成节点Nodes执行具体任务的单元可以是函数或智能体边Edges定义节点之间的执行顺序和条件状态State在整个图中传递的共享数据3.2 状态管理的设计模式LangGraph使用TypedDict来定义状态结构确保类型安全from typing import TypedDict, List, Annotated from langgraph.graph import add_messages class AgentState(TypedDict): messages: Annotated[List[str], add_messages] current_task: str results: List[str]3.3 与LangChain的差异对比虽然LangGraph源于LangChain生态系统但两者有显著区别特性LangChainLangGraph设计理念链式调用图结构工作流状态管理手动传递自动管理复杂流程需要自定义逻辑原生支持分支循环可视化有限支持强大支持4. MCP协议深度解析4.1 MCP协议架构理解MCPModel Context Protocol是一种标准化协议用于AI模型与外部工具的安全交互。其核心组件包括MCP服务器提供工具能力的后端服务MCP客户端调用工具服务的智能体端传输协议定义通信格式和规则4.2 MCP工具的类型分类MCP工具可以分为以下几类# 工具类型示例 TOOL_TYPES { file_operations: [read, write, list], database_operations: [query, insert, update], web_operations: [search, fetch], calculation_operations: [math, statistics] }4.3 MCP的安全优势MCP协议通过以下机制确保安全性权限隔离每个工具都有明确的权限边界输入验证所有输入都经过严格验证审计日志所有操作都有完整记录5. 多智能体系统架构设计5.1 系统整体架构我们的实战项目将实现一个包含三个智能体的协作系统用户输入 → 路由智能体 → 专业智能体 → 结果整合 → 用户输出 ↓ 文件处理智能体 / 数据库智能体 / 搜索智能体5.2 智能体职责划分每个智能体有明确的职责范围路由智能体分析用户意图分派给合适的专业智能体文件处理智能体处理文档读取、内容分析等任务数据库智能体执行SQL查询、数据操作搜索智能体进行网络搜索和信息获取6. 基础环境搭建与配置6.1 项目结构规划创建清晰的项目目录结构langgraph-mcp-agent/ ├── src/ │ ├── agents/ # 智能体模块 │ ├── tools/ # MCP工具定义 │ ├── graphs/ # LangGraph图定义 │ └── config/ # 配置文件 ├── tests/ # 测试代码 ├── data/ # 示例数据 └── requirements.txt # 依赖列表6.2 基础配置类实现创建配置管理类统一管理项目设置# src/config/settings.py import os from typing import Optional from pydantic import BaseSettings class Settings(BaseSettings): openai_api_key: str database_url: Optional[str] None log_level: str INFO class Config: env_file .env settings Settings()6.3 日志配置配置详细的日志系统便于调试# src/config/logging.py import logging import sys def setup_logging(): logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s, handlers[ logging.StreamHandler(sys.stdout), logging.FileHandler(agent_system.log) ] )7. MCP工具服务器实现7.1 文件操作工具实现创建基础的MCP文件操作工具# src/tools/file_tools.py import os from typing import List from mcp import MCPServer, Tool class FileOperations: staticmethod def read_file(file_path: str) - str: 读取文件内容 if not os.path.exists(file_path): raise FileNotFoundError(f文件不存在: {file_path}) with open(file_path, r, encodingutf-8) as f: return f.read() staticmethod def list_files(directory: str) - List[str]: 列出目录下的文件 if not os.path.exists(directory): raise FileNotFoundError(f目录不存在: {directory}) return os.listdir(directory) # 创建MCP工具实例 file_tools [ Tool( nameread_file, description读取文件内容, functionFileOperations.read_file ), Tool( namelist_files, description列出目录文件, functionFileOperations.list_files ) ]7.2 数据库工具实现实现简单的数据库查询工具# src/tools/database_tools.py import sqlite3 from typing import List, Dict, Any from mcp import Tool class DatabaseOperations: def __init__(self, db_path: str data/sample.db): self.db_path db_path self._init_database() def _init_database(self): 初始化示例数据库 conn sqlite3.connect(self.db_path) cursor conn.cursor() # 创建示例表 cursor.execute( CREATE TABLE IF NOT EXISTS users ( id INTEGER PRIMARY KEY, name TEXT NOT NULL, email TEXT NOT NULL ) ) # 插入示例数据 cursor.execute( INSERT OR IGNORE INTO users (name, email) VALUES (张三, zhangsanexample.com), (李四, lisiexample.com) ) conn.commit() conn.close() def execute_query(self, query: str) - List[Dict[str, Any]]: 执行SQL查询 conn sqlite3.connect(self.db_path) conn.row_factory sqlite3.Row cursor conn.cursor() try: cursor.execute(query) results [dict(row) for row in cursor.fetchall()] return results finally: conn.close() # 创建数据库工具实例 db_ops DatabaseOperations() database_tools [ Tool( nameexecute_sql, description执行SQL查询语句, functiondb_ops.execute_query ) ]7.3 MCP服务器启动创建主服务器文件# src/tools/mcp_server.py import asyncio from mcp import MCPServer from .file_tools import file_tools from .database_tools import database_tools async def start_mcp_server(): 启动MCP服务器 server MCPServer( namemulti-agent-tools, version1.0.0, toolsfile_tools database_tools ) # 启动服务器 await server.run() if __name__ __main__: asyncio.run(start_mcp_server())8. LangGraph智能体实现8.1 基础智能体类设计创建智能体基类封装通用功能# src/agents/base_agent.py from typing import Dict, Any, List from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from .state import AgentState class BaseAgent: def __init__(self, name: str, model: str gpt-3.5-turbo): self.name name self.llm ChatOpenAI(modelmodel, temperature0.1) self.graph self._build_graph() def _build_graph(self) - StateGraph: 构建智能体图结构 - 子类需要重写 graph StateGraph(AgentState) # 基础图结构 graph.add_node(process_input, self._process_input) graph.add_edge(process_input, END) graph.set_entry_point(process_input) return graph.compile() def _process_input(self, state: AgentState) - Dict[str, Any]: 处理输入 - 子类需要重写 return {messages: [f{self.name} 处理完成]} def run(self, input_text: str) - AgentState: 运行智能体 initial_state AgentState( messages[input_text], current_task, results[] ) return self.graph.invoke(initial_state)8.2 路由智能体实现实现智能路由分发功能# src/agents/router_agent.py from typing import Dict, Any from .base_agent import BaseAgent from .state import AgentState class RouterAgent(BaseAgent): def __init__(self): super().__init__(路由智能体, gpt-3.5-turbo) def _build_graph(self): graph StateGraph(AgentState) graph.add_node(analyze_intent, self._analyze_intent) graph.add_node(route_task, self._route_task) graph.add_edge(analyze_intent, route_task) graph.add_edge(route_task, END) graph.set_entry_point(analyze_intent) return graph.compile() def _analyze_intent(self, state: AgentState) - Dict[str, Any]: 分析用户意图 user_input state[messages][-1] if state[messages] else # 简单的意图分析逻辑 if 文件 in user_input or 文档 in user_input: intent file_operation elif 数据 in user_input or 查询 in user_input: intent database_operation elif 搜索 in user_input or 查找 in user_input: intent search_operation else: intent general return {current_task: intent, messages: [f识别到意图: {intent}]} def _route_task(self, state: AgentState) - Dict[str, Any]: 路由到对应智能体 task_type state[current_task] routing_map { file_operation: 文件处理智能体, database_operation: 数据库智能体, search_operation: 搜索智能体, general: 通用智能体 } target_agent routing_map.get(task_type, 通用智能体) return {messages: [f路由到: {target_agent}], current_task: target_agent}8.3 文件处理智能体实现集成MCP文件工具的文件处理智能体# src/agents/file_agent.py import os from typing import Dict, Any from .base_agent import BaseAgent from .state import AgentState from ..tools.file_tools import FileOperations class FileAgent(BaseAgent): def __init__(self): super().__init__(文件处理智能体) self.file_ops FileOperations() def _build_graph(self): graph StateGraph(AgentState) graph.add_node(process_request, self._process_file_request) graph.add_node(execute_operation, self._execute_file_operation) graph.add_node(format_result, self._format_file_result) graph.add_edge(process_request, execute_operation) graph.add_edge(execute_operation, format_result) graph.add_edge(format_result, END) graph.set_entry_point(process_request) return graph.compile() def _process_file_request(self, state: AgentState) - Dict[str, Any]: 解析文件操作请求 user_input state[messages][-1] # 简单的命令解析 if 读取 in user_input or 查看 in user_input: operation read # 提取文件名逻辑简化版 file_path data/sample.txt elif 列表 in user_input or 列出 in user_input: operation list file_path data/ else: operation unknown file_path return { operation_type: operation, file_path: file_path, messages: [f文件操作: {operation} {file_path}] } def _execute_file_operation(self, state: AgentState) - Dict[str, Any]: 执行文件操作 operation state[operation_type] file_path state[file_path] try: if operation read: result self.file_ops.read_file(file_path) elif operation list: result self.file_ops.list_files(file_path) else: result 未知操作类型 return {results: [result], messages: [文件操作执行成功]} except Exception as e: return {results: [f错误: {str(e)}], messages: [文件操作执行失败]} def _format_file_result(self, state: AgentState) - Dict[str, Any]: 格式化文件操作结果 result state[results][0] if state[results] else 无结果 if isinstance(result, list): formatted \n.join([f- {item} for item in result]) else: formatted str(result) final_message f文件处理结果:\n{formatted} return {messages: [final_message]}9. 多智能体协作系统集成9.1 系统协调器实现创建协调多个智能体的中心控制器# src/agents/orchestrator.py from typing import Dict, Any, List from .router_agent import RouterAgent from .file_agent import FileAgent from .state import AgentState class AgentOrchestrator: def __init__(self): self.router RouterAgent() self.file_agent FileAgent() # 可以继续添加其他智能体 self.agent_map { 文件处理智能体: self.file_agent, # 映射其他智能体 } def process_request(self, user_input: str) - str: 处理用户请求的完整流程 # 1. 路由分析 router_result self.router.run(user_input) target_agent_name router_result[current_task] # 2. 获取目标智能体 target_agent self.agent_map.get(target_agent_name) if not target_agent: return f未找到对应的智能体: {target_agent_name} # 3. 执行专业处理 agent_result target_agent.run(user_input) # 4. 返回最终结果 return agent_result[messages][-1] if agent_result[messages] else 处理完成9.2 主程序入口创建简单易用的主程序# main.py import sys from src.agents.orchestrator import AgentOrchestrator from src.config.logging import setup_logging def main(): 主程序入口 setup_logging() orchestrator AgentOrchestrator() print(多智能体系统已启动输入 退出 结束程序) while True: try: user_input input(\n请输入您的需求: ).strip() if user_input.lower() in [退出, exit, quit]: print(感谢使用再见) break if not user_input: continue # 处理用户请求 result orchestrator.process_request(user_input) print(f\n智能体回复: {result}) except KeyboardInterrupt: print(\n程序被用户中断) break except Exception as e: print(f处理过程中出现错误: {e}) if __name__ __main__: main()10. 实战测试与验证10.1 基础功能测试创建测试脚本来验证系统功能# tests/test_basic_functionality.py import unittest import os from src.agents.orchestrator import AgentOrchestrator class TestAgentSystem(unittest.TestCase): def setUp(self): 测试前准备 self.orchestrator AgentOrchestrator() # 创建测试文件 os.makedirs(data, exist_okTrue) with open(data/sample.txt, w, encodingutf-8) as f: f.write(这是一个测试文件内容) def test_file_operation(self): 测试文件操作功能 result self.orchestrator.process_request(请读取sample.txt文件) self.assertIn(测试文件内容, result) def test_router_function(self): 测试路由功能 result self.orchestrator.process_request(我想查看文档) self.assertIn(文件处理智能体, result) if __name__ __main__: unittest.main()10.2 运行系统测试启动系统并进行实际测试# 运行测试 python -m pytest tests/ -v # 启动系统 python main.py测试时尝试以下命令请列出data目录下的文件读取sample.txt文件内容查询用户数据11. 常见问题与解决方案11.1 环境配置问题问题现象可能原因解决方案导入错误依赖未安装检查requirements.txt重新安装依赖API密钥错误密钥未设置或无效检查.env文件格式和密钥有效性模块找不到Python路径问题设置PYTHONPATH或使用相对导入11.2 运行时问题问题现象可能原因解决方案智能体无响应图结构配置错误检查节点和边的连接逻辑工具调用失败MCP服务器未启动确保MCP服务正常运行内存占用过高状态积累过多实现状态清理机制11.3 性能优化建议# 状态清理机制示例 def cleanup_state(state: AgentState) - AgentState: 清理历史状态避免内存积累 if len(state[messages]) 10: state[messages] state[messages][-5:] # 保留最近5条 return state12. 生产环境最佳实践12.1 安全注意事项在生产环境部署时需要注意# 安全配置示例 SECURITY_CONFIG { input_validation: True, # 输入验证 rate_limiting: True, # 频率限制 audit_logging: True, # 审计日志 tool_permissions: { # 工具权限控制 file_operations: [read_only], database_operations: [select_only] } }12.2 监控与日志实现完整的监控体系# 监控装饰器示例 def monitor_agent_performance(func): 监控智能体性能的装饰器 def wrapper(*args, **kwargs): start_time time.time() result func(*args, **kwargs) execution_time time.time() - start_time # 记录性能指标 logging.info(fAgent {func.__name__} 执行时间: {execution_time:.2f}s) return result return wrapper12.3 扩展性设计为系统扩展预留接口# 插件式架构示例 class AgentPlugin: 智能体插件基类 def __init__(self, name: str): self.name name def register_tools(self) - List[Tool]: 注册工具 return [] def register_agents(self) - Dict[str, BaseAgent]: 注册智能体 return {} # 使用插件扩展系统 def load_plugins(plugin_dir: str) - List[AgentPlugin]: 动态加载插件 plugins [] # 实现插件加载逻辑 return plugins通过本文的实战教程你已经掌握了使用LangGraph和MCP构建多智能体系统的完整流程。从基础概念到项目实战从环境搭建到生产部署这套技术栈为智能体开发提供了强大的基础设施。建议在实际项目中从小功能开始实践逐步扩展系统能力。记得关注LangGraph和MCP的官方文档这两个项目都在快速迭代中新特性会不断推出。
如果你正在学习AI智能体开发可能会遇到这样的困境看了很多概念介绍但一到实际项目就无从下手或者尝试了各种框架却发现智能体之间的协作和状态管理异常复杂。这正是传统智能体开发面临的真实痛点。LangGraph的出现改变了这一局面。与LangChain相比LangGraph最大的突破在于将智能体工作流建模为有状态图结构让复杂的多智能体协作变得像画流程图一样直观。而MCPModel Context Protocol协议的加入更是为工具调用提供了标准化解决方案。本文将从零开始带你完整实现一个具备文件处理、数据库操作和网络搜索能力的多智能体系统。无论你是刚接触智能体开发的新手还是希望升级现有项目的开发者都能获得可直接复用的实战经验。1. 智能体开发的核心痛点与解决方案1.1 传统智能体开发的三大挑战在实际项目中开发AI智能体时开发者通常会面临以下核心问题状态管理复杂智能体在执行过程中需要维护对话历史、工具调用结果、用户上下文等多种状态。传统方式往往需要手动管理这些状态代码冗长且容易出错。工具调用不统一不同的工具数据库、API、文件系统需要不同的调用方式和认证机制缺乏统一的标准接口。协作流程难以设计多智能体协作时如何设计执行流程、处理冲突、实现任务分发都是棘手问题。1.2 LangGraph MCP 的技术优势LangGraph通过图结构直观地描述智能体工作流每个节点代表一个处理步骤边代表执行路径。这种设计带来以下优势可视化流程设计工作流可以图形化展示便于理解和调试内置状态管理自动处理状态传递和持久化灵活的路由逻辑支持条件分支、循环、并行执行等复杂逻辑MCP协议则解决了工具调用的标准化问题让智能体能够以统一的方式调用各种外部资源。2. 环境准备与工具安装2.1 基础环境要求在开始项目前确保你的开发环境满足以下要求# 检查Python版本 python --version # 需要 Python 3.8 或更高版本 # 检查包管理器 pip --version2.2 核心依赖安装创建新的项目目录并安装必要依赖# 创建项目目录 mkdir langgraph-mcp-agent cd langgraph-mcp-agent # 创建虚拟环境推荐 python -m venv venv source venv/bin/activate # Linux/Mac # venv\Scripts\activate # Windows # 安装核心依赖 pip install langgraph langchain-openai mcp-client2.3 配置API密钥创建.env文件存储敏感信息# 创建.env文件 touch .env在.env文件中配置你的API密钥# .env文件内容 OPENAI_API_KEY你的OpenAI API密钥3. LangGraph 核心概念解析3.1 图结构的基本组成LangGraph的核心是图Graph概念主要由以下元素构成节点Nodes执行具体任务的单元可以是函数或智能体边Edges定义节点之间的执行顺序和条件状态State在整个图中传递的共享数据3.2 状态管理的设计模式LangGraph使用TypedDict来定义状态结构确保类型安全from typing import TypedDict, List, Annotated from langgraph.graph import add_messages class AgentState(TypedDict): messages: Annotated[List[str], add_messages] current_task: str results: List[str]3.3 与LangChain的差异对比虽然LangGraph源于LangChain生态系统但两者有显著区别特性LangChainLangGraph设计理念链式调用图结构工作流状态管理手动传递自动管理复杂流程需要自定义逻辑原生支持分支循环可视化有限支持强大支持4. MCP协议深度解析4.1 MCP协议架构理解MCPModel Context Protocol是一种标准化协议用于AI模型与外部工具的安全交互。其核心组件包括MCP服务器提供工具能力的后端服务MCP客户端调用工具服务的智能体端传输协议定义通信格式和规则4.2 MCP工具的类型分类MCP工具可以分为以下几类# 工具类型示例 TOOL_TYPES { file_operations: [read, write, list], database_operations: [query, insert, update], web_operations: [search, fetch], calculation_operations: [math, statistics] }4.3 MCP的安全优势MCP协议通过以下机制确保安全性权限隔离每个工具都有明确的权限边界输入验证所有输入都经过严格验证审计日志所有操作都有完整记录5. 多智能体系统架构设计5.1 系统整体架构我们的实战项目将实现一个包含三个智能体的协作系统用户输入 → 路由智能体 → 专业智能体 → 结果整合 → 用户输出 ↓ 文件处理智能体 / 数据库智能体 / 搜索智能体5.2 智能体职责划分每个智能体有明确的职责范围路由智能体分析用户意图分派给合适的专业智能体文件处理智能体处理文档读取、内容分析等任务数据库智能体执行SQL查询、数据操作搜索智能体进行网络搜索和信息获取6. 基础环境搭建与配置6.1 项目结构规划创建清晰的项目目录结构langgraph-mcp-agent/ ├── src/ │ ├── agents/ # 智能体模块 │ ├── tools/ # MCP工具定义 │ ├── graphs/ # LangGraph图定义 │ └── config/ # 配置文件 ├── tests/ # 测试代码 ├── data/ # 示例数据 └── requirements.txt # 依赖列表6.2 基础配置类实现创建配置管理类统一管理项目设置# src/config/settings.py import os from typing import Optional from pydantic import BaseSettings class Settings(BaseSettings): openai_api_key: str database_url: Optional[str] None log_level: str INFO class Config: env_file .env settings Settings()6.3 日志配置配置详细的日志系统便于调试# src/config/logging.py import logging import sys def setup_logging(): logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s, handlers[ logging.StreamHandler(sys.stdout), logging.FileHandler(agent_system.log) ] )7. MCP工具服务器实现7.1 文件操作工具实现创建基础的MCP文件操作工具# src/tools/file_tools.py import os from typing import List from mcp import MCPServer, Tool class FileOperations: staticmethod def read_file(file_path: str) - str: 读取文件内容 if not os.path.exists(file_path): raise FileNotFoundError(f文件不存在: {file_path}) with open(file_path, r, encodingutf-8) as f: return f.read() staticmethod def list_files(directory: str) - List[str]: 列出目录下的文件 if not os.path.exists(directory): raise FileNotFoundError(f目录不存在: {directory}) return os.listdir(directory) # 创建MCP工具实例 file_tools [ Tool( nameread_file, description读取文件内容, functionFileOperations.read_file ), Tool( namelist_files, description列出目录文件, functionFileOperations.list_files ) ]7.2 数据库工具实现实现简单的数据库查询工具# src/tools/database_tools.py import sqlite3 from typing import List, Dict, Any from mcp import Tool class DatabaseOperations: def __init__(self, db_path: str data/sample.db): self.db_path db_path self._init_database() def _init_database(self): 初始化示例数据库 conn sqlite3.connect(self.db_path) cursor conn.cursor() # 创建示例表 cursor.execute( CREATE TABLE IF NOT EXISTS users ( id INTEGER PRIMARY KEY, name TEXT NOT NULL, email TEXT NOT NULL ) ) # 插入示例数据 cursor.execute( INSERT OR IGNORE INTO users (name, email) VALUES (张三, zhangsanexample.com), (李四, lisiexample.com) ) conn.commit() conn.close() def execute_query(self, query: str) - List[Dict[str, Any]]: 执行SQL查询 conn sqlite3.connect(self.db_path) conn.row_factory sqlite3.Row cursor conn.cursor() try: cursor.execute(query) results [dict(row) for row in cursor.fetchall()] return results finally: conn.close() # 创建数据库工具实例 db_ops DatabaseOperations() database_tools [ Tool( nameexecute_sql, description执行SQL查询语句, functiondb_ops.execute_query ) ]7.3 MCP服务器启动创建主服务器文件# src/tools/mcp_server.py import asyncio from mcp import MCPServer from .file_tools import file_tools from .database_tools import database_tools async def start_mcp_server(): 启动MCP服务器 server MCPServer( namemulti-agent-tools, version1.0.0, toolsfile_tools database_tools ) # 启动服务器 await server.run() if __name__ __main__: asyncio.run(start_mcp_server())8. LangGraph智能体实现8.1 基础智能体类设计创建智能体基类封装通用功能# src/agents/base_agent.py from typing import Dict, Any, List from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, END from .state import AgentState class BaseAgent: def __init__(self, name: str, model: str gpt-3.5-turbo): self.name name self.llm ChatOpenAI(modelmodel, temperature0.1) self.graph self._build_graph() def _build_graph(self) - StateGraph: 构建智能体图结构 - 子类需要重写 graph StateGraph(AgentState) # 基础图结构 graph.add_node(process_input, self._process_input) graph.add_edge(process_input, END) graph.set_entry_point(process_input) return graph.compile() def _process_input(self, state: AgentState) - Dict[str, Any]: 处理输入 - 子类需要重写 return {messages: [f{self.name} 处理完成]} def run(self, input_text: str) - AgentState: 运行智能体 initial_state AgentState( messages[input_text], current_task, results[] ) return self.graph.invoke(initial_state)8.2 路由智能体实现实现智能路由分发功能# src/agents/router_agent.py from typing import Dict, Any from .base_agent import BaseAgent from .state import AgentState class RouterAgent(BaseAgent): def __init__(self): super().__init__(路由智能体, gpt-3.5-turbo) def _build_graph(self): graph StateGraph(AgentState) graph.add_node(analyze_intent, self._analyze_intent) graph.add_node(route_task, self._route_task) graph.add_edge(analyze_intent, route_task) graph.add_edge(route_task, END) graph.set_entry_point(analyze_intent) return graph.compile() def _analyze_intent(self, state: AgentState) - Dict[str, Any]: 分析用户意图 user_input state[messages][-1] if state[messages] else # 简单的意图分析逻辑 if 文件 in user_input or 文档 in user_input: intent file_operation elif 数据 in user_input or 查询 in user_input: intent database_operation elif 搜索 in user_input or 查找 in user_input: intent search_operation else: intent general return {current_task: intent, messages: [f识别到意图: {intent}]} def _route_task(self, state: AgentState) - Dict[str, Any]: 路由到对应智能体 task_type state[current_task] routing_map { file_operation: 文件处理智能体, database_operation: 数据库智能体, search_operation: 搜索智能体, general: 通用智能体 } target_agent routing_map.get(task_type, 通用智能体) return {messages: [f路由到: {target_agent}], current_task: target_agent}8.3 文件处理智能体实现集成MCP文件工具的文件处理智能体# src/agents/file_agent.py import os from typing import Dict, Any from .base_agent import BaseAgent from .state import AgentState from ..tools.file_tools import FileOperations class FileAgent(BaseAgent): def __init__(self): super().__init__(文件处理智能体) self.file_ops FileOperations() def _build_graph(self): graph StateGraph(AgentState) graph.add_node(process_request, self._process_file_request) graph.add_node(execute_operation, self._execute_file_operation) graph.add_node(format_result, self._format_file_result) graph.add_edge(process_request, execute_operation) graph.add_edge(execute_operation, format_result) graph.add_edge(format_result, END) graph.set_entry_point(process_request) return graph.compile() def _process_file_request(self, state: AgentState) - Dict[str, Any]: 解析文件操作请求 user_input state[messages][-1] # 简单的命令解析 if 读取 in user_input or 查看 in user_input: operation read # 提取文件名逻辑简化版 file_path data/sample.txt elif 列表 in user_input or 列出 in user_input: operation list file_path data/ else: operation unknown file_path return { operation_type: operation, file_path: file_path, messages: [f文件操作: {operation} {file_path}] } def _execute_file_operation(self, state: AgentState) - Dict[str, Any]: 执行文件操作 operation state[operation_type] file_path state[file_path] try: if operation read: result self.file_ops.read_file(file_path) elif operation list: result self.file_ops.list_files(file_path) else: result 未知操作类型 return {results: [result], messages: [文件操作执行成功]} except Exception as e: return {results: [f错误: {str(e)}], messages: [文件操作执行失败]} def _format_file_result(self, state: AgentState) - Dict[str, Any]: 格式化文件操作结果 result state[results][0] if state[results] else 无结果 if isinstance(result, list): formatted \n.join([f- {item} for item in result]) else: formatted str(result) final_message f文件处理结果:\n{formatted} return {messages: [final_message]}9. 多智能体协作系统集成9.1 系统协调器实现创建协调多个智能体的中心控制器# src/agents/orchestrator.py from typing import Dict, Any, List from .router_agent import RouterAgent from .file_agent import FileAgent from .state import AgentState class AgentOrchestrator: def __init__(self): self.router RouterAgent() self.file_agent FileAgent() # 可以继续添加其他智能体 self.agent_map { 文件处理智能体: self.file_agent, # 映射其他智能体 } def process_request(self, user_input: str) - str: 处理用户请求的完整流程 # 1. 路由分析 router_result self.router.run(user_input) target_agent_name router_result[current_task] # 2. 获取目标智能体 target_agent self.agent_map.get(target_agent_name) if not target_agent: return f未找到对应的智能体: {target_agent_name} # 3. 执行专业处理 agent_result target_agent.run(user_input) # 4. 返回最终结果 return agent_result[messages][-1] if agent_result[messages] else 处理完成9.2 主程序入口创建简单易用的主程序# main.py import sys from src.agents.orchestrator import AgentOrchestrator from src.config.logging import setup_logging def main(): 主程序入口 setup_logging() orchestrator AgentOrchestrator() print(多智能体系统已启动输入 退出 结束程序) while True: try: user_input input(\n请输入您的需求: ).strip() if user_input.lower() in [退出, exit, quit]: print(感谢使用再见) break if not user_input: continue # 处理用户请求 result orchestrator.process_request(user_input) print(f\n智能体回复: {result}) except KeyboardInterrupt: print(\n程序被用户中断) break except Exception as e: print(f处理过程中出现错误: {e}) if __name__ __main__: main()10. 实战测试与验证10.1 基础功能测试创建测试脚本来验证系统功能# tests/test_basic_functionality.py import unittest import os from src.agents.orchestrator import AgentOrchestrator class TestAgentSystem(unittest.TestCase): def setUp(self): 测试前准备 self.orchestrator AgentOrchestrator() # 创建测试文件 os.makedirs(data, exist_okTrue) with open(data/sample.txt, w, encodingutf-8) as f: f.write(这是一个测试文件内容) def test_file_operation(self): 测试文件操作功能 result self.orchestrator.process_request(请读取sample.txt文件) self.assertIn(测试文件内容, result) def test_router_function(self): 测试路由功能 result self.orchestrator.process_request(我想查看文档) self.assertIn(文件处理智能体, result) if __name__ __main__: unittest.main()10.2 运行系统测试启动系统并进行实际测试# 运行测试 python -m pytest tests/ -v # 启动系统 python main.py测试时尝试以下命令请列出data目录下的文件读取sample.txt文件内容查询用户数据11. 常见问题与解决方案11.1 环境配置问题问题现象可能原因解决方案导入错误依赖未安装检查requirements.txt重新安装依赖API密钥错误密钥未设置或无效检查.env文件格式和密钥有效性模块找不到Python路径问题设置PYTHONPATH或使用相对导入11.2 运行时问题问题现象可能原因解决方案智能体无响应图结构配置错误检查节点和边的连接逻辑工具调用失败MCP服务器未启动确保MCP服务正常运行内存占用过高状态积累过多实现状态清理机制11.3 性能优化建议# 状态清理机制示例 def cleanup_state(state: AgentState) - AgentState: 清理历史状态避免内存积累 if len(state[messages]) 10: state[messages] state[messages][-5:] # 保留最近5条 return state12. 生产环境最佳实践12.1 安全注意事项在生产环境部署时需要注意# 安全配置示例 SECURITY_CONFIG { input_validation: True, # 输入验证 rate_limiting: True, # 频率限制 audit_logging: True, # 审计日志 tool_permissions: { # 工具权限控制 file_operations: [read_only], database_operations: [select_only] } }12.2 监控与日志实现完整的监控体系# 监控装饰器示例 def monitor_agent_performance(func): 监控智能体性能的装饰器 def wrapper(*args, **kwargs): start_time time.time() result func(*args, **kwargs) execution_time time.time() - start_time # 记录性能指标 logging.info(fAgent {func.__name__} 执行时间: {execution_time:.2f}s) return result return wrapper12.3 扩展性设计为系统扩展预留接口# 插件式架构示例 class AgentPlugin: 智能体插件基类 def __init__(self, name: str): self.name name def register_tools(self) - List[Tool]: 注册工具 return [] def register_agents(self) - Dict[str, BaseAgent]: 注册智能体 return {} # 使用插件扩展系统 def load_plugins(plugin_dir: str) - List[AgentPlugin]: 动态加载插件 plugins [] # 实现插件加载逻辑 return plugins通过本文的实战教程你已经掌握了使用LangGraph和MCP构建多智能体系统的完整流程。从基础概念到项目实战从环境搭建到生产部署这套技术栈为智能体开发提供了强大的基础设施。建议在实际项目中从小功能开始实践逐步扩展系统能力。记得关注LangGraph和MCP的官方文档这两个项目都在快速迭代中新特性会不断推出。
