这篇就是给已经玩过 langchain tools + agent 的同学看的进阶篇：
time / weather 这种自定义工具；也看过 AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION 一路 Thought / Action / Observation 的 Debug Log；但一到 Multi-Agent / AI 团队协作，就会有点懵：你现在的 Demo 结构本质上是这样的：
用户问题 ↓一个 Agent（ReAct） ↓在一堆 Tools 里选：- Calculator- Wikipedia- terminal- time- weather(封装成 prompt 调用自己的 Agent)
特点：
所有事情都让一个 Agent 想：要不要查日期？要不要查天气？要不要写 Python？逻辑复杂的时候，prompt 容易写爆，而且 debug 时很难定位到底是哪一步“想歪了”。更工程一点的想法是：
典型结构：
用户 ↓Supervisor（调度员 Agent） ├── 日期助手 DateAgent（只接 time 工具） ├── 天气助手 WeatherAgent（拿日期 + weather 数据） └── 生活顾问 LifeAdvisorAgent（综合上面结果，给出自然语言建议）
相比原来的单 Agent：
每个 Agent 的 Prompt 简单清晰（只负责一个角色）；你可以明确说：这在博客 + 面试里都是「很容易讲清楚、又显得有设计感」的点。
我们还是围绕你熟悉的天气 Demo，只是升级玩法：
三类 Agent：
DateAgent：负责获取当前日期（只会用time 工具）；WeatherAgent：根据日期 + 城市，在一个“伪天气数据库”里查天气；LifeAdvisorAgent：综合天气 + 用户问题，给出自然语言建议。顶层还有一个：
SupervisorAgent：负责判断什么时候该找谁帮忙，串起整个流程。☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
在实现上，我们会用一个小技巧：
这样既复用你对 tools + Agent 的理解，又自然过渡到 Multi-Agent 体系。
from config import api_type, api_key, api_base, api_version, model_namefrom langchain.chat_models import AzureChatOpenAIllm = AzureChatOpenAI( openai_api_base=api_base, openai_api_version=api_version, deployment_name=model_name, openai_api_key=api_key, openai_api_type=api_type, temperature=0.3,)
time 工具from langchain.agents import toolfrom datetime import date@tooldef time(text: str) -> str: """返回今天的日期字符串，用于和当前日期相关的问题。 输入必须为空字符串；任何日期计算应在函数外进行。 """ return str(date.today())
weather 工具（不再套娃 Agent）你的原始 weather 是直接在工具里面再调了一次 agent1，相当于「工具里套一个 Agent」，现在我们把它简化成：纯逻辑函数。
@tooldef weather(query: str) -> str: """根据内置 weather_info 字典，返回给定城市在某一天的天气。 输入格式：(城市名[, 日期])，例如： - "北京"（日期缺省，则用今天） - "北京,2025-07-15" 返回格式："{date} {city} 的天气情况为：{weather}" """ # 1. 内置“伪天气数据库” weather_info = { "2025-07-14": { "北京": "sunny", "上海": "cloudy", }, "2025-07-15": { "北京": "rainy", "上海": "windy", }, } # 2. 解析输入 parts = [x.strip() for x in query.split(",") if x.strip()] if len(parts) == 1: city = parts[0] today = str(date.today()) date_str = today else: city, date_str = parts[0], parts[1] # 3. 查表 city_weather = weather_info.get(date_str, {}) w = city_weather.get(city, "未知") return f"{date_str} {city} 的天气情况为：{w}"现在 weather 真正符合「(str) -> str 的工具函数」，方便挂在任意 Agent 上。
思路：
这个 Agent 不直接面向用户；它只用time 这个工具；Prompt 里告诉它：from langchain.agents import initialize_agent, AgentTypedate_tools = [time]date_agent = initialize_agent( tools=date_tools, llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True,)# 简单测一下：test = date_agent("今天的日期？只返回 YYYY-MM-DD。")print("DateAgent 测试输出：", test)
WeatherAgent 的职责：
Procys
AI驱动的发票数据处理
102
查看详情
接收自然语言提问：利用：
_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True,)# 简单测一下：test = date_agent("今天的日期？只返回 YYYY-MM-DD。")print("DateAgent 测试输出：", test)time 来确定“今天是哪天”；weather 在字典里查天气；最终用自然语言回复用户。weather_tools = [time, weather]weather_agent = initialize_agent( tools=weather_tools, llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True, agent_kwargs={ "system_message": ( "你是一个天气查询助手，需要根据用户问题决定：" "1）是否需要获取今天日期(time 工具)，" "2）调用 weather(city[,date]) 工具查找天气。" "请最终用简洁的中文回答，比如：'今天北京下雨，出门建议带伞。'" ) })res = weather_agent("今天北京的天气如何？")print(res)它会大致走这样几步：
Thought：这是天气问题 → Action: 调用time；Observation：2025-11-22；Thought：需要查北京这一天的天气 → Action: weather("北京,2025-11-22")；Observation：2025-11-22 北京 的天气情况为：未知（因为我们字典里没有这天）；Final Answer：用自然语言综合一下（比如说“在已有数据中没有查到”）。如果你把系统日期改成 2025-07-15，就正好对应你之前的 Demo ：）
关键技巧：
from langchain.tools import Tooldate_agent_tool = Tool( name="DateAssistant", func=lambda q: date_agent(q)["output"], description=( "日期助手，擅长回答'今天几号'、'某天是星期几'这类问题。" "如果用户提问中包含日期计算，可以调用我。" ),)weather_agent_tool = Tool( name="WeatherAssistant", func=lambda q: weather_agent(q)["output"], description=( "天气助手，擅长回答某地某天的天气情况，比如：" "'今天北京的天气如何？'、'2025-07-15 上海刮风吗？'" ),)
注意这里我用 lambda q: agent(q)["output"]，是为了兼容 initialize_agent 返回的 dict 结构。
SupervisorAgent 不直接操作 time / weather，它只看这两个「子 Agent Tool」：
supervisor_tools = [date_agent_tool, weather_agent_tool]supervisor = initialize_agent( tools=supervisor_tools, llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True, agent_kwargs={ "system_message": ( "你是一个调度员（Supervisor Agent）。" "你自己不直接查日期或天气，而是根据用户问题，在以下两个助手之间做选择：" "1）DateAssistant：专门处理日期相关问题；" "2）WeatherAssistant：专门处理天气相关问题。" "如果问题里同时涉及日期和天气，比如'今天北京适合跑步吗，要不要带伞？'，" "你可以把原问题一个整体转交给 WeatherAssistant，让它做综合判断。" "最后，你用自然语言总结回答用户。" ) })现在我们可以像平时调用单 Agent 一样，直接问 Supervisor：
question = "今天北京适合出门跑步吗？要不要带伞？"result = supervisor(question)print(result)
一个典型的 ReAct 日志（只保留关键部分）会是这样：
> Entering new AgentExecutor chain...Question: 今天北京适合出门跑步吗？要不要带伞？Thought: 这个问题与天气强相关，应该交给 WeatherAssistant。Action:{ "action": "WeatherAssistant", "action_input": "今天北京适合出门跑步吗？要不要带伞？"}Observation: 今天北京可能有小雨，建议出门跑步时避开降雨时段，并携带雨具。Thought: 已经从 WeatherAssistant 处拿到了结论，我只需要用自然语言复述并稍作组织。Final Answer: 今天北京有雨，虽然可以出门跑步，但建议选择雨势较小的时间段，并随身携带雨伞或雨衣，以免淋湿。> Finished chain.你会发现三个明显的变化：
顶层日志里出现了WeatherAssistant 这个“工具名”；但我们知道它实际上不是一个普通 Tool，而是一个完整的 AgentExecutor；这就是最小可运行的 Multi-Agent：Agent 作为 Tool 被另一个 Agent 编排。如果你想架构再“戏剧化”一点，可以再加一个：
WeatherAgent 只负责事实（天气本身）；LifeAdvisorAgent 负责按生活场景给建议（跑步 / 上班 / 约会）；Supervisor 根据问题内容决定是直接走 WeatherAgent，还是先问 WeatherAgent 再让 LifeAdvisor 做决策。简单示意（伪代码，只给你思路）：
# 1. LifeAdvisorAgent：输入是“天气描述 + 用户原问题”，输出是建议life_advisor = initialize_agent( tools=[], llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True, agent_kwargs={ "system_message": ( "你是生活场景顾问。输入会包含：" "1）天气描述；" "2）用户原始需求，例如跑步/通勤/约会等；" "你只需要基于这两点给出具体建议。" ) })life_advisor_tool = Tool( name="LifeAdvisor", func=lambda q: life_advisor(q)["output"], description="根据天气描述和用户需求，给出生活建议。")然后在 Supervisor 里：
先把问题转交给 WeatherAssistant，拿到纯天气描述；再把天气描述 + 用户原问题 交给 LifeAdvisor；最后由 Supervisor 输出最终结果。这样你就有了：
Supervisor → WeatherAgent → LifeAdvisorAgent
一个完整的 三层多 Agent 协作链，在博客里画图 + 贴日志，会非常有“工程感”。
最后给你一个「收拢版」的完整脚本，适合贴在文章末尾当“手撕代码”块。
你可以根据自己的 Azure / OpenAI 配置改一改头部。
"""multi_agent_weather.py一个最小可运行的 Multi-Agent Demo：Supervisor + DateAgent + WeatherAgent"""from datetime import datefrom config import api_type, api_key, api_base, api_version, model_namefrom langchain.chat_models import AzureChatOpenAIfrom langchain.agents import ( tool, initialize_agent, AgentType,)from langchain.tools import Tool# ========= 1. LLM =========llm = AzureChatOpenAI( openai_api_base=api_base, openai_api_version=api_version, deployment_name=model_name, openai_api_key=api_key, openai_api_type=api_type, temperature=0.3,)# ========= 2. 基础工具 =========@tooldef time(text: str) -> str: """返回今天的日期字符串，用于和当前日期相关的问题。 输入必须为空字符串；任何日期计算应在函数外进行。 """ return str(date.today())@tooldef weather(query: str) -> str: """根据内置 weather_info 字典，返回给定城市在某一天的天气。 输入格式：(城市名[, 日期])，例如： - "北京" - "北京,2025-07-15" 返回格式："{date} {city} 的天气情况为：{weather}" """ weather_info = { "2025-07-14": { "北京": "sunny", "上海": "cloudy", }, "2025-07-15": { "北京": "rainy", "上海": "windy", }, } parts = [x.strip() for x in query.split(",") if x.strip()] if len(parts) == 1: city = parts[0] date_str = str(date.today()) else: city, date_str = parts[0], parts[1] city_weather = weather_info.get(date_str, {}) w = city_weather.get(city, "未知") return f"{date_str} {city} 的天气情况为：{w}"# ========= 3. 子 Agent：DateAgent =========date_agent = initialize_agent( tools=[time], llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True,)date_agent_tool = Tool( name="DateAssistant", func=lambda q: date_agent(q)["output"], description=( "日期助手，擅长回答'今天几号'、'某天是星期几'这类问题。" "如果用户提问中包含日期计算，可以调用我。" ),)# ========= 4. 子 Agent：WeatherAgent =========weather_agent = initialize_agent( tools=[time, weather], llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True, agent_kwargs={ "system_message": ( "你是一个天气查询助手，需要根据用户问题决定：" "1）是否需要获取今天日期(time 工具)，" "2）调用 weather(city[,date]) 工具查找天气。" "最终用简洁中文回答，比如：'今天北京下雨，出门建议带伞。'" ) },)weather_agent_tool = Tool( name="WeatherAssistant", func=lambda q: weather_agent(q)["output"], description=( "天气助手，擅长回答某地某天的天气情况，比如：" "'今天北京的天气如何？'、'2025-07-15 上海刮风吗？'" ),)# ========= 5. Supervisor Multi-Agent =========supervisor = initialize_agent( tools=[date_agent_tool, weather_agent_tool], llm=llm, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, handle_parsing_errors=True, verbose=True, agent_kwargs={ "system_message": ( "你是一个调度员（Supervisor Agent）。" "你自己不直接查日期或天气，而是根据用户问题，在以下助手之间做选择：" "1）DateAssistant：专门处理日期相关问题；" "2）WeatherAssistant：专门处理天气相关问题。" "如果问题里同时涉及日期和天气，比如" "'今天北京适合跑步吗，要不要带伞？'，" "你可以把原问题整体转交给 WeatherAssistant。" "最后，你用自然语言总结回答用户。" ) },)# ========= 6. 入口 =========if __name__ == "__main__": question = "今天北京适合出门跑步吗？要不要带伞？" result = supervisor(question) print("用户问题：", question) print("系统回答：", result)以上就是【Multi-Agent实战】如何用 LangChain 打造一个 Multi-Agent 实战项目的详细内容，更多请关注其它相关文章！
# python
# 要带
# 你是
# 自然语言
# 北京
# fig
# sora
# langchain
# yy
# 上海
# win
# openai
# ai
# 工具
# react
# 2025
# 网站建设攸县
# seo网站推广费用
# 腾讯seo招聘
# 营销推广账户怎么做好管理
# 优化网站seo网站系统平台
# 信阳企业网站推广营销
# 蓟州网站推广
# 产业园区营销推广培训
# 做网络推广网站有哪些
# 嘉定区官方网站优化方案
# 自己的
# 不直接
# 某天
# 如何用
# 你可以
相关栏目：
【
Google疑问12 】
【
Facebook疑问10 】
【
优化推广96088 】
【
技术知识133117 】
【
IDC资讯59369 】
【
网络运营7196 】
【
IT资讯61894 】
相关推荐：
数据显示：人工智能相关专业热度上升最快 考古、美术、生物医学工程等小众专业火了
iPhone两秒出图，目前已知的最快移动端Stable Diffusion模型来了
陈根：AI冥想教练为用户提供个性化指导
Zoom远程会议应用：AI培训需经用户授权
跟着AI大热的“光模块”到底是什么？
OpenAI宣布在伦敦设立海外分部，要招揽“世界级人才”
人工智能如何帮助制造业？
AI大模型，将为智慧城市带来哪些新变化？
看了天美对AI的布局，我感觉它想得是真明白
猿力科技入选北京市通用人工智能产业创新伙伴计划
微幼科技晨检机器人：幼儿园健康保障的新伙伴
美图影像节演讲实录：191次提及AI，发布7款影像生产力工具
猿编程参加人工智能高峰论坛，推动人工智能教育解决方案在千所学校推行
阿里达摩院向公众免费开放100项AI专利许可
清华朱军团队新作：使用4位整数训练Transformer，比FP16快2.2倍，提速35.1%，加速AGI到来！
小岛秀夫不反对使用AI 但认为人类应该凌驾于AI
两型无人机完成交付！国家级机动观测业务正式启动
张朝阳陆川谈AI：大数据模型大幅提升工作效率，ChatGPT冲击最大的是内容创作领域
QQ音乐业内率先推出「AI一起听」功能，领取你的AI听歌助手
懒人必备的家居清洁好物，石头自清洁扫拖机器人G20
阿里云全面支持Llama2训练部署，助力企业快速构建自有大型模型
AI大模型紫东太初已被注册商标 中科院已注册紫东太初大模型商标
生成式AI引路产业加速来袭，微美全息探索“AIGC+虚拟人”融合应用
联想浏览器引入小乐 AI 助手，成功接入百度文心一言大模型，经过实测证实
腾讯企点客服接待与营销分析能力升级！企业操作更高效、人机交互更智能
猿辅导推出Motiff，整合三大AI功能，助力UI设计生产力革新
兆讯传媒率先全面拥抱AI 数智广告内容焕发新生机
智能电网技术：提高能源效率和可靠性
全新升级的广州麦当劳：面积最大餐厅正式引入智慧机器人
腾讯汤道生：大模型只是起点，产业落地是AI更大的应用场景
ChatGPT 可以设计机器人吗？
微软 Copilot 团队主管呼吁用户与 AI 交流时应使用恰当的礼貌用语
奥比中光子公司和斯坦德机器人深度合作，共同推进新一代激光雷达的研发
标小智LOGO推出AI公司起名生成器“Name.GPT”
2025VR&AR显示技术峰会展示歌尔光学最新一代光学模组
速途网络成立“人工智能专家委员会”5位中美博士加盟
Midjourney创始人：AI应该成为人类思想的延伸
磐镭发布全新 GeForce RTX 4080 ARMOUR 显卡，售价为 9499 元
无需照相馆，AI证件照生成软件即将推出
曝索尼在开发新头显设备：游戏中使用AR技术
华为推出两款商用 AI 大模型存储新品，支持 1200 万 IOPS 性能
大型无人机FH-98国内首次夜航转场成功
小米首次曝光 64 亿参数的 MiLM-6B AI 大模型，或将应用于小爱同学
改变城市交通：智慧城市中的智能交通
吉林首例！机器人辅助下搭桥手术成功实施
谷歌计划在上海举办开发者大会，重点关注机器学习和生成式AI领域
腾讯TRS之元学习与跨域推荐的工业实战
杀入生成式AI的亚马逊云科技，能否再次生成未来？
XREAL发布新款硬件XREAL Beam投屏盒子：可悬停AR空间屏
清华系面壁智能开源中文多模态大模型VisCPM ：支持对话文图双向生成，吟诗作画能力惊艳
2025-11-26
运城市盐湖区信雨科技有限公司是一家深耕海外推广领域十年的专业服务商，作为谷歌推广与Facebook广告全球合作伙伴，聚焦外贸企业出海痛点，以数字化营销为核心，提供一站式海外营销解决方案。公司凭借十年行业沉淀与平台官方资源加持，打破传统外贸获客壁垒，助力企业高效开拓全球市场，成为中小企业出海的可靠合作伙伴。