如何协调多个子智能体筹备一场婚礼:lca-lc-foundations Wedding Planner 完整实战指南
如何协调多个子智能体筹备一场婚礼:lca-lc-foundations Wedding Planner 完整实战指南
在 lca-lc-foundations(LangChain Academy 官方《Introduction to LangChain - Python》课程仓库)中,2.4_wedding_planners.ipynb 用一个婚礼筹备场景,完整演示了多智能体(Multi-Agent)系统的核心玩法:一个"总协调人"智能体指挥飞票、场地、歌单三位"专家"子智能体分工协作。本文将带你读懂这套 Wedding Planner 的架构设计,并给出快速上手的运行方法。
为什么用"总协调人 + 子智能体"架构
让一个大模型一个人包办"查机票 + 找场地 + 写歌单"听起来很美,实际上有几个痛点:
- 🧠 注意力分散:所有任务塞进一个提示词,模型容易顾此失彼
- 🔧 工具互相干扰:机票 MCP 工具、网页搜索、SQL 查询混在一起,调用容易出错
- 🧩 难以复用:想单独改进"找场地"这一步,却动了整条链路
lca-lc-foundations 的解法是经典的 Coordinator 模式:
| 角色 | 名称 | 负责的事 | 使用的工具 |
|---|---|---|---|
| 总协调人 | coordinator |
收集信息、更新状态、分派任务、汇总结果 | 把 3 个子智能体包装成的工具 + update_state |
| 机票专家 | travel_agent |
查目的地婚礼航线,比较价格/时长/季节 | Skyscanner 的 MCP 工具(travel_server) |
| 场地专家 | venue_agent |
按人数与预算找婚礼场地 | web_search(Tavily 搜索) |
| 歌单专家 | playlist_agent |
按音乐流派挑选婚礼歌单并计算总价 | query_playlist_db(SQL 查询 Chinook.db) |
这种"子智能体即工具"(subagent-as-tool)的写法正是模块 2 的主线:先在 2.3_multi_agent.ipynb 用"开方/平方"小例子学会创建并调用子智能体,再到 Wedding Planner 里把这套模式放大到真实业务。
共享状态:让子智能体"有记忆"
Wedding Planner 定义了四个关键信息:出发地、目的地、宾客数、音乐流派。实验通过继承 AgentState 建立共享状态:
class WeddingState(AgentState):
origin: str
destination: str
guest_count: str
genre: str
总协调人收到用户的一句话(例如 "我从伦敦出发,想在巴黎办一场 100 人爵士风的婚礼")后,会先调用 update_state 工具把这 4 个值写进状态;之后 search_flights、search_venues、suggest_playlist 三个工具就能通过 runtime.state 读到这些值,分别组装出各自的提问,再委派给对应子智能体。
💡 状态读写机制的详细演示见 2.2_state.ipynb(配合 2.2_runtime_context.ipynb),建议先看完再回到婚礼项目。
快速上手:一键运行 Wedding Planner
环境要求:Python ≥ 3.12 且 < 3.14,推荐用 uv 管理依赖。
# 1. 克隆课程仓库
git clone --depth 1 https://gitcode.com/gh_mirrors/lc/lca-lc-foundations
cd lca-lc-foundations
# 2. 创建 .env 并填入 API Key(必需 OPENAI_API_KEY 与 TAVILY_API_KEY)
cp example.env .env
# 3. 安装依赖并验证环境
uv sync
uv run python env_utils.py
# 4. 启动 Jupyter,打开实验
uv run jupyter lab
打开 notebooks/module-2/2.4_wedding_planners.ipynb 依次运行即可。API Key 配置模板参考 example.env,依赖清单见 requirements.txt 与 pyproject.toml。
体验一次完整任务(最后一个单元格):
response = await coordinator.ainvoke(
{"messages": [HumanMessage(content="I'm from London and I'd like a wedding in Paris for 100 guests, jazz-genre")]},
config={"recursion_limit": 40},
)
总协调人会依次完成:解析需求 → 更新状态 → 委派机票/场地/歌单三个子智能体 → 汇总成一份婚礼方案。如果想观察每一步的调用链,可以配置 LangSmith 追踪(实验代码已带 WP 标签方便检索),配置方法见 README.md 的 "Getting Started with LangSmith" 章节。
三个值得学习的设计细节
- 错误要"还给"智能体,而不是直接崩溃
实验给 MCP 工具调用加了
RetryMCPInterceptor:瞬时故障(如-32603)指数退避重试;不可恢复的错误则转成文本返回给模型,让它自行调整调用方式重试。歌单智能体也遵循同样思路——SQL 报错时让它修改写查,"不要空手而归"。 - 给子智能体设定"预算"
web_search工具强制模型在每次调用时携带search_number / max_search_number,达到 12 次上限就必须总结收敛。这是控制多智能体运行时长与成本的关键技巧。 - 状态写入必须"独占"调用
update_state的提示词明确要求它单独调用、必须完成返回后,其他工具才能读到最新状态——避免并行工具调用读到脏数据。
常见问题(FAQ)
- ⏱ 运行太久怎么办? 该实验依赖外部 MCP 服务(
mcp.kiwi.com)与网络搜索,波动时较慢;实验已通过重试拦截器与搜索次数上限做过收敛优化,仍建议给recursion_limit留出余量(示例为 40)。 - ❓ 能换模型吗? 可以。LangChain 支持多家模型供应商,修改
.env中的 Key 并调整create_agent的model参数即可,默认实验使用的是gpt-5-nano(成本低、速度快)。 - ❓ 想继续深入多智能体? 按顺序学习:2.1_mcp.ipynb(MCP 工具接入)→ 2.2_state.ipynb(状态读写)→ 2.3_multi_agent.ipynb(子智能体基础)→ 2.4_wedding_planners.ipynb(综合实战)。模块 3 的 3.3_hitl.ipynb 还演示了如何在这类系统中加入"人类审批"环节。
总结
lca-lc-foundations 的 Wedding Planner 用最小代码量讲清了多智能体系统的三件套:总协调人分派任务、子智能体封装专家工具、共享状态传递信息。掌握"子智能体即工具"这一模式后,你就能把同样的架构迁移到客服工单、旅行规划、研究报告等任何需要多角色协作的场景中。