LangChain多智能体实战：用LangGraph编排Agent构建婚礼策划系统-平芜编程栈

很多开发者第一次接触 LangChain 多智能体时，容易把“多 Agent”想成让一堆大模型角色互相聊天，最后有一条主线把结论串起来。这个思路没有错，但落到真实业务里往往不稳定：消息来回传、上下文互相污染、工具调用混乱，方案生成出来像“开盲盒”。婚礼策划就是一个非常典型的场景——预算、场地、餐饮、摄影、时间线，每个环节都有独立的专业判断标准，如果全部压进一个超长 Prompt，模型很容易前后矛盾：预算只有几万，却推荐五星级酒店；200 人婚礼，却安排进只能容纳 50 人的宴会厅。

本文的核心判断是：LangChain 做多智能体项目，真正的价值不在“让多个 Agent 自由聊天”，而在“把复杂任务拆成有边界的专业角色，再用图编排把它们串成一条可控的流水线”。一套能落地、可维护、运行成本可控的“中配”方案，比看起来炫酷但无法复现的高配架构更有意义。下面我会用“婚礼策划师”这个极易理解的场景，带你从零实现一套基于 LangChain + LangGraph + Streamlit 的多智能体应用。

这套方案定位为“中配”：不需要本地 GPU，不需要自建向量数据库，不需要微服务，只需要一个支持工具调用的模型 API，以及一台能跑 Python 的普通开发机。读完本文，你可以得到一份完整可运行的代码，学会如何设计 Agent、如何给 Agent 配工具、如何用 LangGraph 控制多智能体协作，以及如何用 Streamlit 在浏览器中做出交互界面。这套思路可以直接迁移到旅游规划、活动执行、装修报价、企业顾问等任何“多角色协同出方案”的业务场景。

1. 为什么婚礼策划需要“多智能体”

1.1 婚礼策划是典型的多角色协作场景

婚礼策划的内容看起来很统一，就是“出一份婚礼方案”，但实际上它至少包含五个专业模块：预算分配、场地选择、餐饮菜单、摄影摄像、时间线执行。每一个模块的决策依据都来自不同的专业经验。预算规划师关注的是“总预算如何在十几个项目之间分配”，场地顾问关心的是“城市、人数、风格与场地类型的匹配”，餐饮顾问要考虑“人均餐标和宴席形式”，摄影顾问则要判断“机位数量与拍摄风格”。

这些模块之间还有明显的依赖关系：只有先确定总预算，才能推算餐饮和摄影的资金比例；只有确定了场地类型，才能判断菜单适合圆桌宴席还是自助冷餐；只有前面所有模块都落定，时间线才能排得出来。这种“有先后、有依赖、有专业分工”的任务结构，恰恰就是多智能体最擅长处理的场景。如果全部依赖单个模型，把 5 个角色的职责塞进同一个上下文里，不仅 Prompt 会变得非常长，而且模型在生成过程中很难始终如一地扮演所有角色。

1.2 单智能体与多智能体的边界

单智能体方案其实也能生成婚礼方案，它适合需求简单、输出篇幅短、不需要反复调用外部工具的场景。但一旦需求复杂，它的劣势就会放大：工具堆积过多时，模型可能调用错误工具；上下文过长时，模型会遗忘前面的约束；修改某个模块的需求，往往会牵连其他模块的生成结果。

多智能体方案把任务按专业角色切分，每个 Agent 拥有独立的系统提示词、独立的工具集合、独立的上下文。预算 Agent 只看到预算相关的工具，场地 Agent 只看到场地相关的工具，互相之间通过共享状态传递关键结果，而不是把所有原始信息全部灌给同一个模型。这样做的好处是：任务边界清晰，Prompt 不会互相污染；新增一个模块时，只需增加一个节点；某个 Agent 出错时，可以单独调试，不影响其他节点。

下面是单智能体与多智能体在婚礼策划场景下的对比：

对比维度	单智能体方案	多智能体方案
任务边界	所有职责混在一个上下文	每个角色拥有独立上下文
工具管理	全部工具堆在一起，容易误用	按角色分配工具，误用率低
扩展性	增加新模块会让 Prompt 越来越长	增加新节点即可，影响面小
可维护性	改一个需求容易牵动全局	各节点独立修改、独立测试
生成一致性	长上下文中容易前后矛盾	节点间只传递关键结果，一致性更可控

1.3 中配方案适合谁

我之所以强调“中配”，是想把方案定位在大多数开发者都能实际跑通的范围内。它适合用来自学多智能体原理、做毕业设计、做作品集，也适合中小型团队在没有专门基建的情况下快速搭建内部效率工具。如果你想做一个高并发的 C 端产品、有严格的实时性要求，或者业务流程中必须有人工审批环节，那本文方案还需要在工程层继续加固，比如增加队列、审核节点、限流和监控。

换句话说，中配方案的价值在于“以最小的成本把多智能体跑通”，而不是一步到位实现生产级系统。先跑通，再迭代，这是最务实的路径。

2. LangChain 多智能体的核心概念与使用边界

2.1 Agent：以一个 LLM 为中心的执行单元

Agent 是 LangChain 生态里的核心抽象。一个 Agent 最少包含三部分：LLM 模型、系统提示词、可用工具列表。模型根据用户输入和系统提示词判断下一步动作：直接回答，还是调用某个工具，然后再基于工具返回的结果继续推理。

在多智能体项目中，每个 Agent 通常只负责一个专业角色。以婚礼策划为例，预算 Agent 的系统提示词会写“你是一位严谨的婚礼预算规划师”，它的工具列表里只有一个预算计算工具；场地 Agent 的系统提示词会写“你是一位熟悉婚礼场地的选址顾问”，它的工具列表里只有一个场地推荐工具。这种“一个角色一套上下文和一套工具”的设计，会明显降低模型误用工具的概率。

2.2 Tool：把外部能力暴露给模型

Tool 的本质是一个带有描述信息的函数。LangChain 通过@tool装饰器把普通 Python 函数包装成 Agent 可以识别的工具，函数名和 docstring 会被作为“说明书”交给模型。模型在看到用户问题后，会判断是否需要调用函数，并自动填充参数。

这里有一个容易忽略的点：工具描述写得越具体，模型调用越准确。比如recommend_venue(city: str, guest_count: int, style: str, budget: float)这个函数，docstring 必须写清楚每个参数的含义，否则模型就可能把预算的单位搞错，或者把宾客人数和预算位置传反。

2.3 LangGraph：用图来编排多智能体

LangGraph 是 LangChain 生态中的图编排框架，专门用于管理 Agent 之间的调用关系。它基于StateGraph构建流程：State 是全局共享的数据结构，Node 是具体的执行单元，Edge 定义了 Node 之间的流转方向。

在本文的婚礼策划项目中，State 里既包含用户输入的原始信息，也包含每个 Agent 产出的中间结果。每个 Node 从 State 读取自己所需的字段，执行完成后再把结果写回 State。最终由一个汇总 Node 读取所有中间结果，生成完整方案。这样做的好处是：流程结构可视化、节点职责单一、状态流转清晰。

2.4 与 LangChain、CrewAI、MCP 的关系

初学者经常会混淆这几个概念。LangChain 是一个组件库，提供 LLM 封装、Prompt 模板、Tool 定义、Memory 等基础能力；LangGraph 是 LangChain 生态中的编排框架，专注流程控制。两者不是替代关系，而是组合关系：用 LangChain 的模型和工具组件构造节点能力，用 LangGraph 把节点编排成图。

CrewAI 是另一套流行的多智能体框架，它更偏“角色协作”，强调用声明式配置定义角色、任务和流程，上手快，但对复杂控制流的掌控能力不如 LangGraph。MCP（Model Context Protocol）则是模型接入外部工具和数据的标准化协议，本文使用的@tool是本地函数绑定，MCP 把工具作为独立服务暴露，更适合跨项目复用。理解了这层关系，你就知道什么时候该选 LangGraph、什么时候该选 CrewAI、什么时候该引入 MCP。

3. 环境准备与项目初始化

3.1 前置环境要求

本文方案需要的运行环境并不高，推荐配置如下：

操作系统：Windows / macOS / Linux 均可。
Python 版本：建议 3.10 或 3.11，3.12 在部分依赖组合下可能有兼容问题。
模型 API：任意支持工具调用（function calling）的 OpenAI 兼容接口，本文示例默认使用 OpenAI 模型名，如果你接入其他模型服务商，只需修改ChatOpenAI的配置。
开发工具：VS Code 或其他 Python IDE，能用命令行执行 Python 脚本即可。

建议在项目目录下创建 Python 虚拟环境，避免依赖污染系统环境。

3.2 安装依赖

在项目根目录创建requirements.txt，写入以下依赖：

langchain>=0.2.0 langchain-openai>=0.1.0 langgraph>=0.2.0 streamlit>=1.39.0 python-dotenv>=1.0.0

然后在终端执行安装：

pip install -r requirements.txt

如果你后续想用其他模型服务商，还需要额外安装对应的 LangChain 集成包，例如langchain-anthropic、langchain-google-genai等。具体以你的模型服务商文档为准。

3.3 配置模型 API

在项目根目录创建.env文件，写入你的 API Key 和模型名：

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx OPENAI_MODEL=gpt-4o-mini

注意两点：第一，OPENAI_API_KEY不要硬编码在代码里，也不要提交到 Git 仓库，建议把.env加入.gitignore；第二，如果你接入的是其他兼容 OpenAI 协议的模型服务商，可以在代码里通过base_url参数指定接入地址，具体配置以服务商文档为准。

4. 项目整体设计

4.1 架构总览

整个项目包含 6 个 Agent，分别是预算 Agent、场地 Agent、餐饮 Agent、摄影 Agent、时间线 Agent 和汇总 Agent。用户请求先进入预算 Agent，再依次经过场地、餐饮、摄影、时间线节点，最后由汇总 Agent 输出完整方案。这个流程是线性的，每一步都依赖前一步的结果：

用户输入（城市、预算、人数、风格、特殊要求）→ 预算方案 → 场地建议 → 餐饮建议 → 摄影建议 → 时间线 → 汇总方案

这种顺序单链结构是最容易理解和调试的多智能体结构。你可以在任意两个节点之间增加条件路由，比如预算较低时跳过某些高级模块，或者在某一步结果不合格时退回上一步重新生成。

4.2 状态数据结构

LangGraph 里 State 的设计直接决定了多智能体协作的灵活性。本文定义的状态字段如下：

字段名	类型	含义
`messages`	list	全局消息记录，用于保留上下文
`city`	str	举办城市
`budget`	float	总预算，单位万元
`guest_count`	int	宾客人数
`style`	str	婚礼风格
`special_requirement`	str	用户特殊要求
`budget_plan`	str	预算 Agent 输出
`venue_plan`	str	场地 Agent 输出
`menu_plan`	str	餐饮 Agent 输出
`photo_plan`	str	摄影 Agent 输出
`timeline_plan`	str	时间线 Agent 输出
`final_plan`	str	汇总后的完整方案

其中messages使用add_messages注解，LangGraph 会自动把多个节点写入的消息合并，而不是简单覆盖。

4.3 多智能体协作流程

每个 Agent 在图中是一个 Node。Node 函数从 State 中读取需要的字段，拼成新消息，调用对应的 Agent，最后把返回结果写入 State。通过add_edge把节点按顺序连接起来，就构成了一个多智能体流水线。

这种设计的关键在于“节点之间只传递必要信息”。预算 Agent 输出的完整文本会进入budget_plan字段，场地 Agent 不需要重新理解用户的原始需求，只需要读取预算方案和自己的输入信息即可。信息隔离做得越好，模型在长流程里的表现就越稳定。

5. 核心代码实现

5.1 工具层实现

创建tools.py，定义 4 个工具函数。这些工具使用模拟规则生成结果，你可以把它们替换成真实 API 调用或数据库查询。

# tools.py from langchain_core.tools import tool @tool def compute_budget_plan(total_budget: float, guest_count: int) -> str: """根据婚礼总预算（万元）和预计宾客人数，输出各项目的预算分配区间。""" if guest_count <= 0: guest_count = 1 per_guest = total_budget * 10000 / guest_count plan = { "场地与搭建": total_budget * 0.35, "餐饮酒水": total_budget * 0.25, "摄影摄像": total_budget * 0.12, "婚纱礼服与妆造": total_budget * 0.10, "策划与执行": total_budget * 0.08, "甜品伴手礼": total_budget * 0.06, "应急预留": total_budget * 0.04, } lines = [f"- {name}: {amount:.2f} 万元" for name, amount in plan.items()] lines.append(f"按 {guest_count} 人估算，人均餐饮预算约 {per_guest * 0.25:.0f} 元/人") return "\n".join(lines) @tool def recommend_venue(city: str, guest_count: int, style: str, budget: float) -> str: """根据城市、宾客人数、婚礼风格和总预算（万元），推荐合适的场地类型与筛选建议。""" if guest_count > 300: venue_type = "大型宴会厅或会展中心" elif guest_count >= 100: venue_type = "中大型酒店宴会厅或户外草坪场地" elif guest_count >= 30: venue_type = "精品酒店或私密餐厅" else: venue_type = "私人会所或露台餐厅" if budget < 5: budget_note = "预算偏低，建议压缩桌数和布置规模，优先保证餐饮体验。" elif budget < 20: budget_note = "预算适中，建议选择本地口碑较好的酒店，利用当季花材降低布置成本。" else: budget_note = "预算充足，可考虑拥有独立草坪、宴会厅和婚房的综合场地。" return ( f"推荐类型：{venue_type}\n" f"建议城市：{city}\n" f"匹配风格：{style}\n" f"预算提示：{budget_note}" ) @tool def recommend_menu(style: str, per_guest_budget: float) -> str: """根据婚礼风格和人均餐标预算（元/人），给出菜单搭配建议。""" if style in ["中式", "复古"]: base = "中式圆桌宴席，冷菜八道、热菜十道、主食汤品各一" elif style in ["森系", "户外草坪"]: base = "自助冷餐或西式分餐，搭配海鲜台、甜品台和低度酒水" elif style == "海边": base = "海鲜自助为主，辅以烧烤档和鲜榨饮品" else: base = "混搭自助餐，中西菜式各半，设置饮品台" if per_guest_budget >= 500: quality = "可加入龙虾、鲍鱼等高阶食材，并配备位上菜服务。" elif per_guest_budget >= 300: quality = "以当季食材为主，保持出品稳定，可设置一至两道招牌菜。" else: quality = "建议精选家常菜，重点保证分量和出餐速度。" return f"菜单形式：{base}\n品质建议：{quality}" @tool def recommend_photo_package(style: str, budget_ratio: float) -> str: """根据婚礼风格和摄影预算占比（小数），推荐摄影摄像服务方案。""" if budget_ratio > 0.15: level = "双机位摄影 + 双机位摄像 + 婚前微电影" elif budget_ratio > 0.08: level = "双机位摄影 + 单机位摄像，保留精修原片和短视频快剪" else: level = "单机位摄影 + 重要环节拍摄，选择性价比工作室" if style in ["森系", "户外草坪", "海边"]: recommend = "适合胶片风格或自然光线，建议与摄影师提前踩点。" else: recommend = "适合大气宴会厅拍摄，注意现场灯光与摇臂机位的协调。" return f"套餐建议：{level}\n拍摄建议：{recommend}"

这些工具函数本身不依赖真实外部接口，因此你可以直接运行。在真实的工程项目里，建议把recommend_venue替换为酒店场所库查询，把recommend_menu替换为菜品数据库或 AI 影像库，工具层和智能体层可以完全解耦。

5.2 智能体层实现

创建agents.py，定义角色 Agent。这里使用langgraph.prebuilt.create_agent来创建“模型 + 系统提示词 + 工具”的执行体，它比手写 Agent 循环更简洁。

# agents.py import os from typing import TypedDict, Annotated from dotenv import load_dotenv from langchain_core.messages import HumanMessage, SystemMessage from langchain_openai import ChatOpenAI from langgraph.graph import StateGraph, START, END from langgraph.graph.message import add_messages from langgraph.prebuilt import create_agent from tools import ( compute_budget_plan, recommend_menu, recommend_photo_package, recommend_venue, ) load_dotenv() MODEL_NAME = os.getenv("OPENAI_MODEL", "gpt-4o-mini") llm = ChatOpenAI(model=MODEL_NAME, temperature=0.3) budget_agent = create_agent( model=llm, tools=[compute_budget_plan], system_prompt=( "你是一位严谨的婚礼预算规划师。" "你会收到城市、总预算、宾客人数、婚礼风格等信息，" "请优先调用 compute_budget_plan 计算各项目预算区间，" "然后结合经验给出 3 条预算优化建议。" ), ) venue_agent = create_agent( model=llm, tools=[recommend_venue], system_prompt=( "你是一位熟悉全国婚礼场地的选址顾问。" "你会收到城市、宾客人数、婚礼风格和整体预算等信息，" "请调用 recommend_venue 获取场地建议，" "再补充与场地相关的注意事项，例如签约、档期和停车。" ), ) menu_agent = create_agent( model=llm, tools=[recommend_menu], system_prompt=( "你是一位婚宴餐饮顾问。" "你会收到婚礼风格和人均餐标预算，" "请调用 recommend_menu 获得菜单框架，再补充酒水搭配和试菜建议。" ), ) photo_agent = create_agent( model=llm, tools=[recommend_photo_package], system_prompt=( "你是一位婚礼摄影摄像顾问。" "你会收到婚礼风格和摄影预算占比，" "请调用 recommend_photo_package 获得套餐建议，再补充拍摄流程安排。" ), ) timeline_agent = create_agent( model=llm, tools=[], system_prompt=( "你是一位婚礼执行导演。" "你会收到预算、场地、餐饮、摄影等模块结果，" "请按时间顺序输出婚礼当天从早到晚的执行流程表，" "包含每个环节的时间、负责人、注意事项。" ), ) merge_agent = create_agent( model=llm, tools=[], system_prompt=( "你是一位经验丰富的婚礼策划总监。" "你会收到预算、场地、餐饮、摄影、时间线等模块方案，" "请将它们整合成一份结构清晰、语言自然、可执行的完整婚礼策划书。" "最终输出需要包含：方案概览、预算分配、场地建议、餐饮安排、" "摄影摄像建议、执行时间线、重点提醒。" ), )

每个 Agent 的system_prompt就是它的“岗位说明书”。你可以根据实际需要调整语气和职责描述。工具列表为空的时间线 Agent，意味着它只能依靠模型自身能力生成内容，这也是多智能体中常见的“纯推理型角色”。

5.3 编排层：用 LangGraph 构建流程

在agents.py中继续定义状态结构和节点函数。

# agents.py 追加内容 class WeddingState(TypedDict): messages: Annotated[list, add_messages] city: str budget: float guest_count: int style: str special_requirement: str budget_plan: str venue_plan: str menu_plan: str photo_plan: str timeline_plan: str final_plan: str def budget_node(state: WeddingState): result = budget_agent.invoke({ "messages": [HumanMessage( content=( f"用户基本信息：\n" f"城市：{state['city']}\n" f"总预算：{state['budget']} 万元\n" f"宾客人数：{state['guest_count']} 人\n" f"婚礼风格：{state['style']}\n" f"特殊要求：{state['special_requirement']}\n\n" "请制定预算方案。" ) )] }) return {"budget_plan": result["messages"][-1].content} def venue_node(state: WeddingState): result = venue_agent.invoke({ "messages": [HumanMessage( content=( f"城市：{state['city']}\n" f"宾客人数：{state['guest_count']} 人\n" f"婚礼风格：{state['style']}\n" f"总预算：{state['budget']} 万元\n" f"预算方案：\n{state['budget_plan']}\n\n" "请给出场地建议。" ) )] }) return {"venue_plan": result["messages"][-1].content} def menu_node(state: WeddingState): per_guest_budget = state["budget"] * 10000 * 0.25 / state["guest_count"] result = menu_agent.invoke({ "messages": [HumanMessage( content=( f"婚礼风格：{state['style']}\n" f"人均餐标预算：{per_guest_budget:.0f} 元/人\n" f"场地建议：\n{state['venue_plan']}\n\n" "请给出餐饮建议。" ) )] }) return {"menu_plan": result["messages"][-1].content} def photo_node(state: WeddingState): result = photo_agent.invoke({ "messages": [HumanMessage( content=( f"婚礼风格：{state['style']}\n" f"摄影预算占比参考：0.12\n" f"餐饮建议：\n{state['menu_plan']}\n\n" "请给出摄影摄像服务建议。" ) )] }) return {"photo_plan": result["messages"][-1].content} def timeline_node(state: WeddingState): result = timeline_agent.invoke({ "messages": [HumanMessage( content=( f"预算方案：\n{state['budget_plan']}\n\n" f"场地建议：\n{state['venue_plan']}\n\n" f"餐饮建议：\n{state['menu_plan']}\n\n" f"摄影建议：\n{state['photo_plan']}\n\n" "请输出婚礼当天的执行时间线。" ) )] }) return {"timeline_plan": result["messages"][-1].content} def merge_node(state: WeddingState): content = ( f"预算方案：\n{state['budget_plan']}\n\n" f"场地建议：\n{state['venue_plan']}\n\n" f"餐饮建议：\n{state['menu_plan']}\n\n" f"摄影建议：\n{state['photo_plan']}\n\n" f"时间线：\n{state['timeline_plan']}\n\n" "请整合成一份完整的婚礼策划书。" ) result = merge_agent.invoke({ "messages": [HumanMessage(content=content)] }) return {"final_plan": result["messages"][-1].content}

接下来把这些节点编译成图：

# agents.py 追加内容 graph = StateGraph(WeddingState) graph.add_node("budget", budget_node) graph.add_node("venue", venue_node) graph.add_node("menu", menu_node) graph.add_node("photo", photo_node) graph.add_node("timeline", timeline_node) graph.add_node("merge", merge_node) graph.add_edge(START, "budget") graph.add_edge("budget", "venue") graph.add_edge("venue", "menu") graph.add_edge("menu", "photo") graph.add_edge("photo", "timeline") graph.add_edge("timeline", "merge") graph.add_edge("merge", END) wedding_graph = graph.compile() def run_wedding_planner( city: str, budget: float, guest_count: int, style: str, special_requirement: str = "暂无", ) -> str: initial_state = { "messages": [SystemMessage(content="这是一个多智能体婚礼策划项目。")], "city": city, "budget": budget, "guest_count": guest_count, "style": style, "special_requirement": special_requirement, "budget_plan": "", "venue_plan": "", "menu_plan": "", "photo_plan": "", "timeline_plan": "", "final_plan": "", } final_state = wedding_graph.invoke(initial_state) return final_state["final_plan"]

这段代码的关键在于：每个 Node 都只读取自己需要的 State 字段，并返回自己负责的字段。LangGraph 会把返回值合并到全局 State 中，最终merge节点拿到所有子方案，生成一份完整策划书。

5.4 Streamlit 交互层实现

创建app.py，用 Streamlit 搭建一个可视化交互界面。

# app.py import streamlit as st from agents import run_wedding_planner st.set_page_config(page_title="LangChain多智能体婚礼策划师", layout="wide") st.title("LangChain 多智能体婚礼策划师") st.markdown("输入婚礼基本信息，点击按钮生成完整策划方案。") with st.sidebar: st.header("婚礼基本信息") city = st.text_input("举办城市", value="杭州") budget = st.number_input( "总预算（万元）", min_value=1.0, max_value=500.0, value=20.0, step=1.0, ) guest_count = st.number_input( "宾客人数", min_value=10, max_value=2000, value=200, step=10, ) style = st.selectbox( "婚礼风格", ["中式", "西式", "户外草坪", "海边", "森系", "复古"], ) special_requirement = st.text_area( "特殊要求", placeholder="例如：希望有户外宣誓环节、需要宠物友好场地", ) if st.button("生成婚礼方案", type="primary"): if not special_requirement: special_requirement = "暂无" with st.spinner("多智能体正在协作生成方案，请稍候..."): try: plan = run_wedding_planner( city=city, budget=float(budget), guest_count=int(guest_count), style=style, special_requirement=special_requirement, ) st.success("方案生成完成") st.markdown(plan) except Exception as e: st.error(f"生成失败：{e}")

如果你希望每次生成前清空历史消息，可以在按钮逻辑中直接调用一个新的run_wedding_planner，它每次都会从空状态开始，天然避免了会话累积导致的上下文污染。

6. 运行效果与验证

在终端执行以下命令启动 Streamlit 应用：

streamlit run app.py

正常情况下，终端会输出本地访问地址，浏览器自动打开http://localhost:8501。在侧边栏填写城市、预算、人数、风格和特殊要求，点击“生成婚礼方案”按钮后，页面会显示加载提示，等待多个 Agent 依次执行。

判断运行成功的标准有两个：第一，浏览器页面最终出现完整方案，而不是报错或空白；第二，终端没有任何 Python 异常堆栈。如果方案缺失某个模块，比如只有预算没有场地，优先检查对应 Node 是否有返回、invoke结果中messages是否为空。

这里需要提醒一个常见误区：由于每个 Agent 都会调用模型，整体耗时会比单次调用更长，通常在十几秒到几十秒之间。这是多智能体的正常代价，不是代码卡死。你可以在每个 Node 函数里加一行print日志，观察执行进度：

print("预算节点完成") print("场地节点完成")

这种方式在调试阶段比任何可视化工具都直接。

7. 常见问题与排查

多智能体项目第一次跑不起来，大概率是环境问题或 API 配置问题。下面按出现频率整理：

问题现象	可能原因	排查方式	解决方案
模块导入报错：`ModuleNotFoundError: langgraph`	langgraph 未安装或版本过低	执行`pip show langgraph`查看版本	执行`pip install -U langgraph`
`create_agent`无法导入	langgraph 版本过旧	查看报错中的导入路径	升级到支持`langgraph.prebuilt.create_agent`的版本
模型调用超时	网络不通或模型服务商不可达	检查服务商状态页，用 curl 测试接口	更换接入地址，或改用其他兼容模型
生成结果缺字段	某个 Node 返回了空字符串	在各 Node 函数内打印返回值	检查对应 Agent 的 invoke 结果结构
页面转圈后无输出	异常被吞或 API 返回格式异常	查看终端完整报错	在`except`中打印 traceback

如果你使用的是非 OpenAI 官方的兼容接口，还要重点确认两点：第一，模型名是否真的支持该平台的 function calling；第二，base_url是否正确，不同的服务商路径前缀差异很大。很多“多智能体不工作”的问题，本质上是模型根本不会调用工具，而不是框架出问题。

8. 工程化改进与上线建议

8.1 提示词管理

系统提示词是多智能体质量的第一个杠杆。建议把每个 Agent 的system_prompt抽到独立的配置文件或数据库里，而不是硬编码在 Python 文件中。这样调整角色语气、增加规则、做 A/B 测试都更灵活。

8.2 状态与上下文清理

长会话场景下，历史消息会一直累积，既增加 token 成本，也可能干扰模型判断。Streamlit 每次点击按钮都重新调用run_wedding_planner，所以暂时不存在这个问题。但如果以后要扩展成真正的对话系统，就需要设计消息窗口或定期清理机制。

8.3 稳定性与成本控制

多智能体流程串行调用多次模型，成本会成倍增加。控成本的思路有三个：第一，选择便宜且支持工具调用的模型；第二，在节点入口增加缓存，相同输入直接返回历史结果；第三，对于不需要模型生成的模块，用规则逻辑替代 LLM。例如本文的预算计算其实完全可以用函数完成，保留 Agent 只是为了演示多智能体结构。

8.4 安全与权限

如果未来接入真实的场地库、供应商 API，必须增加权限校验、敏感数据脱敏和操作审计。工具层是模型与外部系统交互的边界，建议对传入参数做白名单校验，避免模型构造恶意参数。

8.5 可观测性

多智能体的调试难度比单个模型调用高得多，建议在正式项目中接入 LangSmith 或至少做好结构化日志。日志至少包含：每个节点的开始时间、结束时间、输入摘要、输出摘要、token 消耗。这样即使某个节点出错，也能快速定位。

9. 总结与进阶方向

这篇文章通过一个婚礼策划场景，完整实现了“中配”多智能体应用：用 LangChain 构造模型与工具，用 LangGraph 编排 6 个专业 Agent，用 Streamlit 提供交互界面。整套代码不依赖 GPU，普通开发机就能跑通，适合拿来学习、做毕设，也可以作为内部工具的原型。

下一步你可以做的改进有三个方向。第一，把模拟工具替换成真实 API，例如接场地库存接口、餐饮供应商接口，让方案真正可预订。第二，在 LangGraph 中加入条件路由，比如当预算小于 5 万时跳过摄影 Agent，走精简方案，这样可以进一步控制成本。第三，对比一下 CrewAI 的声明式多智能体写法，你会更理解 LangGraph 的图编排在复杂流程中的优势。

多智能体不是“把多个 AI 堆在一起”，而是通过合理的任务切分、状态流转和工具隔离，让每个模型的注意力集中在一件有边界的事情上。先把这套婚礼策划师跑通，再换一个业务领域，你会发现架构完全不用改，只是角色和工具变了而已。建议收藏备用，动手跑一遍代码，才能真正理解多智能体的价值边界在哪里。

LangChain多智能体实战：用LangGraph编排Agent构建婚礼策划系统