基于 LangChain.js + LangGraph 实现的多智能体协作系统。

本系统模拟一个客服团队，包含三个智能体：

1. 👋 接待员 (Receptionist)

   • 职责：接收用户问题，分析并路由到合适的部门
   • 能力：问题分类、路由决策

2. 🔧 技术支持 (Tech Support)

   • 职责：处理技术问题、故障排查、使用指导
   • 能力：技术问题解答、步骤指导

3. 💼 销售顾问 (Sales)

   • 职责：处理产品咨询、价格询问、购买建议
   • 能力：产品介绍、价格咨询、购买建议

用户问题
    ↓
[接待员] 分析问题类型
    ↓
  决策路由
    ↓
  ┌─────┴─────┐
  ↓           ↓
[技术支持]  [销售顾问]
  ↓           ↓
技术解答    销售咨询
  ↓           ↓
  └─────┬─────┘
        ↓
    最终回复

# 开发模式
yarn start:dev

# 生产模式
yarn build
NODE_ENV=production yarn start

打开浏览器访问：http://localhost:3000/multi-agent

# 测试聊天接口
curl -X POST http://localhost:3000/api/multi-agent/chat \
  -H "Content-Type: application/json" \
  -d '{"question": "你们的产品多少钱？"}'

# 健康检查
curl http://localhost:3000/api/multi-agent/health

# 获取工作流信息
curl http://localhost:3000/api/multi-agent/workflow

src/agents/multi-agent/
├── types.ts                      # 类型定义
├── orchestrator.ts               # 智能体协调器 (LangGraph)
├── multi-agent.service.ts        # NestJS 服务
├── multi-agent.controller.ts     # API 控制器
├── multi-agent.module.ts         # NestJS 模块
└── agents/                       # 智能体实现
    ├── receptionist.agent.ts     # 接待员智能体
    ├── tech-support.agent.ts     # 技术支持智能体
    └── sales.agent.ts            # 销售顾问智能体

使用 LangGraph 的 StateGraph 编排智能体协作：

const workflow = new StateGraph<AgentState>({
  channels: {
    messages: {...},
    userQuestion: {...},
    currentAgent: {...},
    // ...更多状态通道
  },
});

// 添加智能体节点
workflow.addNode('receptionist', receptionistHandler);
workflow.addNode('tech_support', techSupportHandler);
workflow.addNode('sales', salesHandler);

// 定义流转规则
workflow.addEdge(START, 'receptionist');
workflow.addConditionalEdges('receptionist', routingDecision, {...});
workflow.addEdge('tech_support', END);
workflow.addEdge('sales', END);

所有智能体共享同一个状态对象 AgentState：

interface AgentState {
  messages: Message[];           // 消息历史
  userQuestion: string;          // 用户问题
  currentAgent?: AgentType;      // 当前智能体
  finalAnswer?: string;          // 最终答案
  routingReason?: string;        // 路由原因
  processingSteps: Step[];       // 处理步骤
}

接待员智能体使用 LLM 进行智能路由：

// 接待员分析用户问题
const decision = await receptionistAgent.routeQuestion(userQuestion);

// 返回路由决策
{
  targetAgent: 'tech_support' | 'sales',
  reason: '路由原因',
  confidence: 0.0-1.0
}

处理用户问题（一次性返回完整结果）

请求：

{
  "question": "你们的产品多少钱？"
}

响应：

{
  "success": true,
  "data": {
    "answer": "最终答案",
    "processingSteps": [...],
    "messages": [...],
    "routingReason": "路由原因",
    "workflowInfo": {...}
  },
  "timestamp": 1234567890
}

流式处理用户问题（Server-Sent Events）

请求：

{
  "question": "我的账号登录不上去了"
}

响应： SSE 流式数据

健康检查

获取工作流信息

• "你们的产品多少钱？"
• "我想了解企业版有什么功能"
• "有什么优惠活动吗？"
• "如何购买你们的产品？"

• "我的账号登录不上去了"
• "如何重置密码？"
• "系统报错了怎么办？"
• "支持哪些浏览器？"

1. 在 agents/ 目录下创建新智能体：

export class CustomAgent {
  constructor(private llm: ChatOpenAI) {}
  
  async handleQuestion(question: string): Promise<AgentResponse> {
    // 实现你的逻辑
  }
}

2. 在 types.ts 中添加智能体类型：

export enum AgentType {
  // ...existing
  CUSTOM = 'custom',
}

3. 在 orchestrator.ts 中注册节点：

workflow.addNode('custom', async (state: AgentState) => {
  const response = await customAgent.handleQuestion(state.userQuestion);
  return { /* 状态更新 */ };
});

本演示系统展示了以下核心概念：

1. 多智能体协作 - 如何让多个 AI 协同工作
2. 状态管理 - 使用共享状态在智能体间传递信息
3. 路由决策 - 基于 LLM 的智能路由
4. 工作流编排 - 使用 LangGraph 构建状态图
5. 流式响应 - 支持 SSE 流式返回处理过程

1. 添加更多智能体 - 客户关系、订单管理等
2. 实现对话记忆 - 支持多轮对话上下文
3. 工具集成 - 为智能体添加外部工具（搜索、数据库等）
4. 人工介入 - 当智能体无法处理时转人工
5. 性能优化 - 并行执行、缓存策略等

1. 确保已配置有效的 API 密钥（支持 OpenAI/DeepSeek 等）
2. 本演示使用简化的路由逻辑，生产环境需要更复杂的决策
3. 建议先在开发环境测试，确认无误后再部署到生产
4. 流式接口需要服务器支持 SSE（Server-Sent Events）

欢迎提交 Issue 和 Pull Request！

MIT