基于LangGraph的多智能体Demo

作者：大势下的牛马
一、场景与设计（为什么用两个Agent？分工如何划分）

示例任务（业务化场景化）：用户给出一个模糊需求 —— “我要做一个 30 秒的产品短视频脚本，主题是『新一代企业协作工具』，希望包含痛点、解决方案、三个短镜头和 CTA。”
目标：用 两个专职 Agent 协作把任务拆解并输出最终稿：

Researcher（研究员/信息采集 Agent）：负责理解需求、检索补充信息（从 RAG / 本地知识库或 Web 搜索工具获取事实 / 统计 /示例），返回结构化“素材池”。Writer（写作/合成 Agent）：消费 Researcher 的素材池，按目标格式（30s 脚本：3 个镜头 + CTA）输出最终稿，并根据需要回手让 Researcher 补充或展开部分点位（handoff）。

为什么用两个 Agent：

分离“检索/验证事实”的职责与“语言创作/格式化”的职责可以提高可靠性（researcher 专注于事实，writer 专注于风格与结构），便于独立测试和迭代 prompt/模型配置。多 agent 架构能更容易地通过“handoff”做动态路由（例如 writer 发现事实缺失时将控制交给 researcher 补充），也方便用不同模型/工具配置来降低成本或提高准确性（比如 researcher 用强检索 + cheap LLM，writer 用大模型）。参考：LangGraph 的多 agent 设计与 handoffs 模式

原文地址：https://blog.csdn.net/u012743772/article/details/150953513