在当今复杂的业务场景中，单一的人工智能模型（LLM，Large Language Model）往往难以应对多样化的数据处理与分析需求。为了提升系统的灵活性和效率，Multi-Agent系统应运而生。本文将以Langchain框架中的多LLM Agent系统为例，介绍如何构建一个处理用户请求、收集数据、生成图表并最终反馈结果的复杂系统。在本文中，我们将实现一个处理用户查询印度过去五年GDP数据的Multi-Agent系统。
Multi-Agent系统主要由以下几个关键部分组成：
- 研究员（Researcher Agent）：负责搜集用户所需的数据。通过调用外部搜索引擎或数据库，收集并整理相关信息。
- 路由器（Router Agent）：根据当前状态和消息内容，决定信息流向。它是系统的中枢，确保各Agent之间的无缝衔接。
- 图表生成器（Chart Generator Agent）：负责将收集到的数据转换为可视化图表，以便于用户理解。
- 工具调用器（Call Tool Agent）：用于执行各种外部工具或脚本，如Python脚本执行器，用于数据处理或生成图表。
- 状态管理器（Agent State）：维护每个Agent的状态信息，包括消息记录、发送者等，以便实现跨Agent的上下文记忆。
我们选择了Langchain框架来构建这个系统，因为它提供了丰富的工具集和灵活的架构支持。此外，我们使用了ChatOpenAI的GPT-4o-mini模型作为底层语言模型，以支持智能体的自然语言理解和生成能力。
1、初始请求
用户通过系统接口提交一个请求，如“查询印度过去五年的GDP数据，并生成图表”。
2、数据收集
研究员Agent接收请求后，开始搜集相关数据。它可能通过调用搜索引擎API（如Tavily工具），检索到印度过去五年每年的GDP数据。收集到的数据以特定格式（如JSON）返回，并附加到全局状态中。
3、路由决策
路由器Agent根据当前状态（即全局状态中的消息列表）和最后一条消息的内容，决定下一步的行动。如果研究员Agent已经收集到足够的数据，并且没有直接生成图表的能力，路由器Agent会指示图表生成器Agent接管任务。
4、图表生成
图表生成器Agent接收到任务后，开始将收集到的数据转换为可视化图表。它可能会首先选择一种合适的图表类型（如折线图、柱状图等），然后使用Python的matplotlib库等工具生成图表。生成的图表将以图片形式保存，并附加到全局状态中。
5、工具调用与执行
在图表生成过程中，图表生成器Agent可能需要调用外部工具（如Python脚本执行器）来辅助生成图表。工具调用器Agent负责执行这些外部工具，并将执行结果返回给图表生成器Agent。
6、结果汇总与呈现
当图表生成完成后，图表生成器Agent会将图表和相关的GDP数据汇总成最终答案，并通过系统接口呈现给用户。最终答案可能包含图表图片、GDP数据表格、数据来源等详细信息。
1、安装依赖
2、创建代理
这是创建LLM Agent的通用函数，通过给定一组tools和对应agent的指定描述来创建对应的agent
3、添加工具
这里提供了2个tool，一个是用于搜索的tool，一个是tool运行时获取python函数并执行它
4、设置代理状态
我们这里提到的代理都是有状态的代理，有状态 LLM Agent会保留和更新交互中的上下文信息，从而动态适应其决策过程。这种架构有助于进行复杂的推理，支持顺序任务中的长期依赖关系。
5、定义代理
6、agent循环执行
这里用来判断当前是结束调用还是继续agent循环调用tool
7、定义完整图
8、开始执行
通过构建Multi-Agent系统，我们可以有效地将复杂的任务分解成多个子任务，并由不同的LLM Agent协作完成。这不仅提高了系统的灵活性和可扩展性，还使得每个代理能够专注于其擅长的领域，从而提升了整体性能和效率。这种架构在处理复杂数据处理和可视化任务时尤为有用，为AI在实际应用中的落地提供了可行方案。