W skrócie
  • Jeden agent gubi się przy złożoności — multi-agent rozdziela zadania na specjalistów.
  • LangGraph opisujesz w 4 pojęciach: State, Nodes, Edges i pętle.
  • Wzorzec Supervisor: jeden „dyrygent" routinguje pracę między agentami.
  • LangSmith to rentgen systemu — pokazuje każdą decyzję i wywołanie.

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:

StateGraph

Sam graf — typowany, wspólny stan, który wszyscy agenci czytają i zapisują. Każdy krok jest automatycznie zapisywany (checkpoint). To pamięć robocza Twojego systemu.

Nodes (węzły)

Funkcje w Pythonie — każda to agent, narzędzie albo router. Węzeł dostaje stan i zwraca zaktualizowany stan. Każdy robi dokładnie jedno.

Edges (krawędzie)

Połączenia między węzłami — stałe (A → B zawsze) albo warunkowe (supervisor decyduje w czasie działania). To w krawędziach mieszka inteligencja.

vs Chains (łańcuchy)

Łańcuch to tylko A→B→C. LangGraph wspiera pętle — agenci mogą ponawiać, zawracać i dynamicznie wołać kolejnych. To pętle robią z agentów prawdziwych agentów.

Architektura: wzorzec Supervisor

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

Wejście użytkownika
↓
SUPERVISOR — routinguje i decyduje
↓
Researcher Writer Fact-Checker
↓
Finalny wynik → użytkownik

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:

state.py + agents.pyclass 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:

supervisor.py + graph.pydef 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:

terminal — co widzisz→ 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:

włącz w 2 liniachos.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:

Zasada z dokumentacji LangChain

„Agent ma większą szansę powodzenia przy skupionym zadaniu niż gdy musi wybierać spośród dziesiątek narzędzi." Jeśli jeden dobrze zaprojektowany agent wystarcza — nie komplikuj.

Darmowe materiały

Szkielet startowy systemu multi-agent

Wyślemy uporządkowany schemat: stan, supervisor, agenci i podpięcie LangSmith — gotowy punkt startu do własnego projektu. Napisz do nas bezpłatnie.

Poproś o szkielet

Zbudujemy system AI dla Twojej firmy

Od pomysłu po działający system agentów wpięty w Wasze procesy i narzędzia.

Umów konsultację