概述

使用LangGraph多智能体工作流、RAG搜索和LaunchDarkly AI配置，在20分钟内构建具有动态配置功能的多智能体系统。

您可能遇到过这种情况：AI聊天机器人在测试中表现良好，但在生产环境中GPT-4成本失控。您切换到Claude，但现在欧洲用户需要不同的隐私规则。每次更改都意味着另一次部署、更多测试，以及祈祷不会出现问题。

那些发布速度更快的团队？他们动态控制AI行为，而不是硬编码所有内容。

今日构建内容

在接下来的20分钟内，您将拥有一个LangGraph多智能体系统，包含：

监督代理：协调专业代理之间的工作流
安全代理：检测PII和敏感信息
支持代理：使用您的业务文档回答问题
动态控制：通过LaunchDarkly更改模型、工具和行为，无需代码更改

先决条件

您需要：

Python 3.9+ 和 uv 包管理器
LaunchDarkly 账户
OpenAI API 密钥
Anthropic API 密钥

步骤1：克隆和配置（2分钟）

1
2
3
4
5
6
7
8
9


# 获取代码
git clone https://github.com/launchdarkly-labs/devrel-agents-tutorial
cd devrel-agents-tutorial

# 安装依赖
uv sync

# 配置环境
cp .env.example .env

在LaunchDarkly中创建项目"multi-agent-chatbot"，获取SDK密钥并配置.env文件。

步骤2：添加业务知识（2分钟）

1
2
3
4
5
6


# 选项A：使用示例
# 已包含：kb/SuttonBarto-IPRL-Book2ndEd.pdf

# 选项B：添加您的文档
rm kb/*.pdf
cp /path/to/your-docs/*.pdf kb/

适用文档类型：法律合同、医疗协议、SaaS文档、电子商务目录等。

步骤3：初始化知识库（2分钟）

1
2


# 创建向量嵌入用于语义搜索
uv run python initialize_embeddings.py --force

这使用OpenAI的文本嵌入模型和FAISS向量数据库构建RAG基础。

步骤4：定义工具（3分钟）

在LaunchDarkly中创建两个工具：

search_v2工具：

描述：使用向量嵌入进行语义搜索
Schema：包含查询字符串和返回结果数量

reranking工具：

描述：使用BM25算法按相关性重新排序结果
Schema：包含原始查询和要重新排序的结果数组

步骤5：在LaunchDarkly中创建AI代理（5分钟）

创建三个AI配置：

监督代理

名称：supervisor-agent
模型：Claude 3.7 Sonnet
任务：分析用户输入是否包含PII，并推荐最优路由

安全代理

名称：security-agent
模型：Claude 3.7 Sonnet
任务：检测和移除PII，提供详细的脱敏信息

支持代理

名称：support-agent
模型：Claude 3.7 Sonnet
参数：{“max_tool_calls”:5}
附加工具：reranking, search_v2
任务：使用知识库搜索和研究论文回答问题

步骤6：启动系统（2分钟）

1
2
3
4
5


# 终端1：启动后端
uv run uvicorn api.main:app --reload --port 8000

# 终端2：启动UI
uv run streamlit run ui/chat_interface.py --server.port 8501

访问 http://localhost:8501

步骤7：测试多智能体系统（2分钟）

测试查询：

基础知识测试：“什么是强化学习？”
PII检测测试：“我的邮箱是[email]，我需要帮助。”

观察LangGraph的工作流程：监督代理首先路由到安全代理检测PII，然后将控制权传递给支持代理使用RAG系统进行文档搜索。

步骤8：尝试新功能

实时更改代理配置：

功能1：即时切换模型

在support-agent配置中将模型从Claude改为GPT-4
返回聊天界面测试相同问题

功能2：调整工具使用

将max_tool_calls从5改为2
测试复杂问题，观察代理如何选择性搜索

功能3：改变代理行为

修改支持代理的任务说明，使其成为研究专家
测试问题如"功能标志的最佳实践是什么？"

所有更改立即生效，无需部署、重启或停机。

理解您构建的系统

您的LangGraph多智能体系统包含：

LangGraph编排：监督代理使用LangGraph状态管理基于内容分析智能路由请求
隐私保护：安全代理检测和脱敏PII
RAG知识系统：支持代理结合LangGraph工具链与RAG系统进行语义文档搜索和重新排序
运行时控制：LaunchDarkly控制LangGraph行为和RAG参数，无需代码更改

下一步

在第二部分，我们将添加：

基于地理位置的隐私规则
外部数据的MCP工具
业务层级配置
成本优化策略

在第三部分，我们将运行A/B实验，用真实数据证明哪些配置效果最佳。

关键要点

多智能体系统在每個代理有特定角色时效果最佳
动态配置比硬编码更好地处理变化的需求
LaunchDarkly AI配置无需部署即可控制和更改AI行为
从简单开始，随着了解有效方法增加复杂性

20分钟构建LangGraph多智能体系统：动态配置与RAG搜索实战

本文详细介绍了如何在20分钟内使用LangGraph构建多智能体系统，集成RAG搜索和LaunchDarkly动态配置。包含监督代理、安全代理和支持代理的完整架构，支持实时模型切换和工具调整，无需代码部署即可改变AI行为。

概述