Jak zbudować system wielu agentów AI (LangGraph + LangSmith)

Jeden model, który naraz szuka informacji, pisze i sprawdza fakty, popełnia więcej błędów niż czterej specjaliści, z których każdy robi jedno. Na tym polega idea systemu wielu agentów: dziel i rządź. W tym przewodniku przejdziemy od „dlaczego" aż po działający kod.

Dlaczego jeden agent to za mało

Gdy jeden agent ma robić wszystko: researchować, pisać, weryfikować, korzystać z dziesięciu narzędzi, jego uwaga się rozprasza, błędy rosną, a debugowanie staje się koszmarem. Im więcej obowiązków, tym gorzej.

Pomyśl o tym jak o firmie. Prezes nie pisze każdego maila i raportu, deleguje do specjalistów: researcher, copywriter, kontrola jakości. Każdy jest ekspertem w swoim torze, a efekty się kumulują: każde przekazanie poprawia wejście kolejnego. Dokładnie tak działa system wielu agentów.

LangGraph w 4 pojęciach

LangGraph to framework do budowy takich systemów. Wystarczy zrozumieć cztery rzeczy:

Architektura: wzorzec Supervisor

Najpopularniejszy układ. Jeden supervisor dyryguje specjalistami: routinguje, deleguje i zapętla, aż zadanie jest gotowe. Wszyscy dzielą jeden obiekt State.

Kod: w trzech krokach

Krok 1: zdefiniuj stan i agentów

Wspólny stan to „kartka", którą wszyscy agenci czytają i uzupełniają. Każdy agent dostaje jedno wąskie zadanie:

class AgentState(TypedDict):
    messages:    List[str]
    research:    str   # wypełnia researcher
    draft:       str   # wypełnia writer
    fact_result: str   # wypełnia fact-checker
    next_agent:  str   # decyzja routingu supervisora

researcher   = create_react_agent(llm, [search],
    "Przeszukaj sieć. Zwróć tylko kluczowe fakty.")
writer       = create_react_agent(llm, [],
    "Napisz jasną odpowiedź z researchu.")
fact_checker = create_react_agent(llm, [search],
    "Zweryfikuj draft. Zwróć PASS lub FAIL.")

Krok 2: supervisor i złożenie grafu

Supervisor czyta stan i jednym słowem decyduje, kto pracuje następny. Wszyscy agenci raportują z powrotem do niego:

def supervisor_node(state):
    # patrzy, co już gotowe, i wybiera następny krok
    resp = llm.invoke(prompt_z_kontekstem(state))
    return {"next_agent": resp.content.strip()}

graph = StateGraph(AgentState)
graph.add_node("supervisor", supervisor_node)
graph.add_node("researcher", researcher)
graph.add_node("writer", writer)
graph.add_node("fact_checker", fact_checker)
graph.add_edge(START, "supervisor")
for a in ["researcher", "writer", "fact_checker"]:
    graph.add_edge(a, "supervisor")   # wszyscy wracają do szefa

Krok 3: uruchom i obserwuj

Strumieniowanie pokazuje, jak praca „krąży" między supervisorem a specjalistami:

→ supervisor    (routing → researcher)
→ researcher    (odpala wyszukiwarkę)
→ supervisor    (routing → writer)
→ writer        (pisze odpowiedź)
→ supervisor    (routing → fact_checker)
→ fact_checker  (werdykt: PASS)
→ supervisor    (FINISH → END)

LangSmith: rentgen Twojego systemu

Błędy multi-agenta są niewidoczne bez śledzenia. LangSmith pokazuje każdą decyzję, każde wywołanie narzędzia i każdy token, na żywo. Włączasz go dwiema liniami:

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"]   = "your_key"
# każdy run sam trafia do dashboardu

Dostajesz: pełne drzewo wykonania (gdzie poszło nie tak), podgląd promptu i odpowiedzi każdego węzła, porównanie runów obok siebie oraz metryki produkcyjne: opóźnienia, błędy i koszt na run.

Kiedy w ogóle budować multi-agenta

To nie jest rozwiązanie na wszystko. Buduj system wielu agentów, gdy:

• zadanie obejmuje wiele dziedzin (research + pisanie + weryfikacja),
• jeden agent miałby 8+ narzędzi (wtedy się myli),
• potrzebujesz równoległego lub asynchronicznego wykonania,
• jakość wymaga drugiej opinii lub pętli sprawdzającej.