LangGraph 实战：构建多智能体协作系统

在 EduAgent 项目中，我们使用 LangGraph 的 StateGraph 机制来编排五个专业化 Agent 的协作流程。核心思路是将每个 Agent 封装为一个节点（Node），通过条件边（Conditional Edge）动态决定下一个执行的 Agent。

架构设计

五个 Agent 分别是：Profile（画像分析）、Roadmap（路线规划）、Content（内容生成）、Review（审核反馈）、Judge（最终裁决）。它们共享一个 TypedDict 状态对象，通过 add_messages reducer 实现消息的增量追加。

辩论闭环

Content Agent 生成内容后，Review Agent 进行审核并给出修改意见。如果评分低于阈值，会触发 Content → Review 的循环迭代，直到 Judge Agent 判定通过或达到最大轮次。这种 "生成-审核-辩论-迭代-裁决" 的闭环显著提升了 AI 输出的专业性。

关键收获

LangGraph 相比传统链式调用最大的优势在于 可控的循环 和 可观测的状态流转。每个节点的输入输出都可以被记录和回溯，这对于需要审计的培训内容生成场景非常重要。