收藏必备！小白程序员必看：用LangGraph打造强大智能体Agent的实用指南

本文探讨了智能体开发中的关键范式，重点介绍了LangGraph框架。文章首先定义了Agent概念，区分了Workflow和智能体类型，并概述了单智能体和多智能体架构。接着详细解析了六种典型设计模式：ReAct、Plan-and-Solve、Reflection、Multi-agent Network、Agent Supervisor和Hierarchical Agent Teams，包括其核心思想、流程和伪代码。文章强调多种模式可混合搭配以适应复杂场景，并指出LangGraph在灵活性和可微调性上的优势，适合生产环境部署。

最近Herness大火，我就在反思，我们在日常进行智能体开发的过程中，是否也在做类似的事，我们用过claude code sdk、codex sdk、copilot cli等通用agent做封装，也用过dify或者coze搭工作流，也用过langchain做过定制化助手，其实本质都是一样的：

在大模型的外层打一个脚手架，来控制输入信息的内容和质量、来控制什么时候把该给的信息传给大模型，来处理大模型的信息做拼装，力求大模型可以每次稳定、优质的输出生产级产物。

本次，我就拿langgraph，实现几个常用且典型的Agent设计模式的demo，来和大家详细讲讲这几种设计模式实现逻辑。

说到Agent，先问大家，什么是Agent？

大模型？工作流？智能体？

Agent主要可以分为两类:

一种是，workflow，以固定的流程为主，不同节点分别连接着逻辑处理、文本处理、大模型请求等，以dify、coze、n8n等为主流。

另一种是，智能体，可以实现执行过程中自主动态决策：计划、反思、调用等动作，可以完成复杂任务的执行，需要定制开发。

真正的智能体Agent架构可分为两大类：单智能体 vs 多智能体。

根据Anthropic、OpenAI、Google三大厂的agent范式定义可分为三个流派：

• 增强X型LLM+Workflow + Agent：1+4+1种
• Handoffs + Tools：生产模式
• Sequential/Loop/Parallel：21种（最全）

整体看下来，用的最多的、最典型的几种，vibe coding了一个langraph agent demo来说明这几种范式的原理

单Agent设计范式

1、ReAct模式

核心思想

Reason + Act = ReAct —— 推理与行动交错进行，“边想边做”

Agent 在每一步都先生成思考（Thought），再决定行动（Action），观察结果（Observation），循环往复直到完成任务。

流程

| Thought（思考） | 智能体分析当前情况、分解任务、制定下一步计划，或反思上一步结果 |

| Action（行动） | 智能体决定采取的具体动作，通常是调用一个外部工具 |

| Observation（观察） | 执行 Action 后从外部工具返回的结果，如搜索摘要或 API 返回值 |

伪代码

defreact_agent(user_task): state.messages.append(user_task) whileTrue: # Thought：LLM 推理，可能携带工具调用请求 reply = llm_with_tools(state.messages) state.messages.append(reply) # Action + Observation：执行工具，结果写回状态 if reply.has_tool_calls(): for tool_call in reply.tool_calls: observation = execute_tool(tool_call) state.messages.append(observation) continue # 带着 Observation 再次推理 # LLM 不再调用工具，输出最终答案 return reply.content

2、Plan-and-Solve 模式

核心思想

先全局规划，再分步执行

Agent 首先生成完整的执行计划，然后按照计划逐步执行每个步骤。适合任务步骤明确、

需要整体优化的场景。通过预先规划，Agent 能够优化整体执行路径，避免局部最优。

流程

| 规划（Planning） | 生成完整执行计划 |

| 执行（Execution） | 按顺序执行每个步骤 |

| 评估（Evaluation） | 检查结果，决定继续或重规划 |

| 完成（Finish） | 返回最终结果 |

伪代码

defplan_and_solve_agent(user_task, max_replans=3): plan = planner(user_task) # 生成 JSON 步骤列表 results = [] current_step = 0 while current_step < len(plan): step = plan[current_step] # 执行当前步骤（可能触发工具调用） execution = executor(step, previous_results=results) if execution.has_tool_calls(): tool_results = run_tools(execution.tool_calls) results.append(record(step, tool_results)) else: results.append(record(step, execution.content)) # 评估：继续、跳过还是重规划 decision = evaluator(plan, current_step, results) if decision == "continue": current_step += 1 elif decision == "replan"and max_replans > 0: plan = planner(user_task, done=results) current_step = 0 max_replans -= 1 else: break # 汇总所有步骤结果，生成最终回答 return aggregator(user_task, results)

3、Reflection 模式

核心思想

自我评估与迭代改进

Agent 生成初始输出后，通过自我反思（Reflection）评估质量，识别问题，然后进行

优化（Refinement），循环迭代直到达到质量标准。

其特点是为智能体引入一种事后（post-hoc）的自我校正循环，使智能体能够像人类

一样审视自己的工作，发现不足并进行迭代优化。完整的"执行-反思-优化"轨迹形成宝贵

的经验记录，还可以扩展至多模态输出（代码、图像等）。

流程

| 生成器（Generator） | 生成初始输出 |

| 评估器（Evaluator） | 评估输出质量，产出反馈 |

| 优化器（Refiner） | 基于反馈改进输出，进入下一轮迭代 |

伪代码

defreflection_agent(user_task, max_rounds=2): # 第一轮：直接生成初稿 draft = generator(user_task) round_count = 0 while round_count < max_rounds: # 反思节点：基于原始要求 + 当前草稿，输出改进建议（不重写正文） feedback = reflector( original_request=user_task, current_draft=draft, ) # 生成节点：把反馈当作新的 Human 消息，输出完整改进稿 draft = generator( messages=[user_task, draft, feedback_as_human_message(feedback)] ) round_count += 1 # 最后一次 generate 的输出即为最终结果 return draft

多Agent设计范式

1、Multi-agent Network（网络型）

这种架构，存在多个智能体节点，每个节点之间都和相互通信，并且相互委派，去中心化

| 拓扑结构 | 去中心化，点对点通信 |

| 适用场景 | 强互动、无固定调用顺序的场景 |

| 优点 | 信息、资源和任务共享，具备弹性和灵活性 |

| 缺点 | 通信管理复杂，决策一致性较难保证 |

伪代码

defmulti_agent_network(user_task): state.messages.append(user_task) # 入口路由：首先派给最合适的 Agent current_agent = router(user_task) # 返回 "researcher" / "coder" / "writer" whileTrue: reply = current_agent.handle(state.messages) state.messages.append(reply) # 如果 Agent 发起了工具调用，执行后回到同一 Agent 继续 if reply.has_tool_calls(): tool_results = run_tools(reply.tool_calls) state.messages.append(tool_results) # 工具结果路由回发起工具调用的 Agent current_agent = agent_who_called_tools(state.messages) continue # 解析 Agent 在回复末尾写的 NEXT: 指令 next_name = parse_next_directive(reply.content) # "researcher" / "coder" / "writer" / "FINISH" if next_name == "FINISH": return strip_directive(reply.content) current_agent = get_agent(next_name)

代码片段：可切换语言，无法单独设置文字格式

2、Agent Supervisor（监督者型）

一主多从，一个管理者，多个执行者，监督者可以动态调整多个执行者的角色（当然也可以固定死）

| 拓扑结构 | 星形，监督者居中协调 |

| 适用场景 | 多领域任务分发、并行运行多 Agent、map-reduce 模式 |

| 优点 | 层级结构清晰，易于管理和扩展 |

| 缺点 | 存在单点故障和性能瓶颈风险 |

伪代码

defagent_supervisor(user_task): state.messages.append(user_task) whileTrue: # Supervisor 分析任务进度，发出 ROUTE: 指令 decision = supervisor(state.messages) # Supervisor 认为任务完成，直接输出最终答案 if decision.route == "FINISH": return decision.final_answer # 派发给对应的工作 Agent worker = get_worker(decision.route) # "searcher" / "coder" / "analyst" reply = worker.handle(state.messages) state.messages.append(reply) # 工作 Agent 可能调用工具 if reply.has_tool_calls(): tool_results = run_tools(reply.tool_calls) state.messages.append(tool_results) # 工作 Agent 汇报结果，Supervisor 下一轮继续决策 state.messages.append(worker_report(reply))

3、Hierarchical Agent Teams（层级型）

Agent Supervisor的进阶版，多层级指挥，和公司一样，有CEO、经理、员工…

| 拓扑结构 | 多层树形，高层监督者管理低层监督者，底层为操作智能体 |

| 适用场景 | 大型复杂任务、需要分布式决策的系统 |

| 优点 | 便于扩展，分层管理清晰，支持分布式决策 |

| 缺点 | 架构复杂，层级间通信开销较大 |

伪****代码

defhierarchical_agent_teams(user_task): state.messages.append(user_task) whileTrue: # 顶层管理者决定交给哪个团队，或直接收尾 top_decision = top_supervisor(state.messages) if top_decision.route == "FINISH": return top_decision.final_answer # 把任务交给对应团队的子图（research_team / dev_team） selected_team = get_team(top_decision.route) team_result = run_team_subgraph(selected_team, state) state.messages.append(team_result) defrun_team_subgraph(team, state): """每个团队内部也是一个监督者循环""" whileTrue: # 团队负责人决定由哪个成员处理 lead_decision = team.lead(state.messages) if lead_decision.route == "FINISH": return lead_decision.summary # 阶段性成果返回顶层 member = team.get_member(lead_decision.route) reply = member.handle(state.messages) state.messages.append(reply) # 成员可能调用工具 if reply.has_tool_calls(): tool_results = run_tools(reply.tool_calls) state.messages.append(tool_results) # 成员执行完毕后汇报，负责人下一轮继续决策 state.messages.append(member_report(reply))

总结

整体看，这几中范式可以覆盖我们大部分的场景，但是很多情况，不只是使用某一种范式，而是多场景混合，比如ReAct+Planer、ReAct+Reflection，或者multi-agent套ReAct等，需要更具实际的业务或提效场景进行搭配和调整。

langgraph框架使用下来，相较于dify或coze肯定灵活性很强，而且比通用agent sdk更易微调和节点追踪，更有langfuse和langsmith这类可追溯观测工具，可以非常好的适配于生产环境开发和部署。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？