收藏！小白程序员也能学会：LangGraph搭建可中断、可委派的多智能体旅行系统

文章探讨了单一智能体在处理复杂旅行规划任务时的局限性，提出了使用LangGraph搭建多智能体系统的解决方案。该系统通过主智能体和子智能体的分工合作，实现了可中断的权限控制和可委派的专业分工，有效解决了多步骤、多工具和有风险操作的组合任务问题。文章详细介绍了系统的架构设计，包括状态管理、工具分类机制、智能体协作机制以及关键实现等，并提供了一份可直接运行的完整代码骨架，帮助读者理解和实践多智能体系统的构建。

开会前十分钟，你同事突然丢来一句：“我下周去北京，帮我把行程改一下——航班改签、旧酒店取消、换一家离新会议地点近的、再加个租车。”你脑子里已经开始自动列 checklist 了：先查余票，再看退改规则，再核对酒店取消政策，再对比新酒店位置和预算，还要确认租车取还车时间……而很多“传统对话式 AI”的尴尬就在这：它会聊天，但一遇到这种“多步骤 + 多工具 + 有风险操作”的组合任务，就容易把事情越办越乱。

这篇文章我想从“为什么单一智能体扛不住”讲到“怎么用 LangGraph 搭一个可中断、可委派的多智能体旅行系统”，最后给你一份可以直接跑的完整代码骨架（包含权限中断流程）。

一、当单一AI无法应对复杂旅行场景

1）痛点：复杂旅行规划不是“回答问题”，而是“执行流程”

想象这个场景：

用户：帮我改签航班，然后取消旧酒店，再订新酒店，最后租车。

这里面至少包含四类能力：

• 搜索：查航班、查酒店、查租车（多为只读）
• 策略：什么时候先改签、什么时候先取消（避免损失）
• 规则：退改签/取消政策、时间冲突、预算约束
• 执行：真正“改”“退”“订”（这类动作往往不可逆）

如果你用单一智能体硬扛，通常会变成这样：

• 它必须同时掌握所有工具、所有规则、所有策略
• 一会儿在算价格，一会儿又在做取消操作
• 用户中途插一句“等等先别取消”，模型上下文更容易混乱

最终结果：要么不敢动（只给建议），要么动错（用户信任直接崩掉）。

2）解决方案：LangGraph 多智能体的核心设计

我更喜欢用一个类比：

• 传统单体：像一个“全能客服”，什么都能聊，但高压场景容易手忙脚乱
• LangGraph 多智能体：像“专业团队 + 智能调度中心”

• 主智能体负责分派、兜底、把控全局
• 子智能体各司其职：航班、酒店、租车、签证……

一句话概括这套系统的价值：

可中断的权限控制 + 可委派的专业分工

让系统既能自动化推进，又不会越权乱改。

二、架构核心：理解系统的“骨架”与“血液”

2.1 状态管理（State）：全局记忆体

LangGraph 的关键不是“写几个 prompt”，而是你要认真设计 State：整个系统的记忆与控制面板。

一个典型的旅行系统状态可以这样定义（后面代码会给完整实现）：

• messages：对话历史
• user_info：用户偏好、证件信息、常用城市等
• agent_stack：对话状态栈（重点）

agent_stack：为什么它是“能委派、能返回”的关键

agent_stack 就像浏览器的历史栈：

• 进入子智能体：push（记录“我从主助手进入航班助手”）
• 子智能体完成：pop（返回上一级上下文）
• 任何时候都能“回到主助手继续聊别的”

可视化一下栈变化（示意）：

• 初始：[main]
• 主助手委派航班：[main, flights]
• 航班助手又需要酒店信息：[main, flights, hotels]
• 酒店完成返回：[main, flights]
• 航班完成返回：[main]

这就是“多智能体协作但不丢上下文”的底层支撑。

2.2 工具分类机制：安全与敏感的“操作开关”

旅行系统里，工具大体分两类：

• 安全工具（只读）：可自动执行

例如：search_flights、search_hotels

• 敏感工具（修改/下单/取消）：必须授权

例如：cancel_hotel、update_ticket

设计意义很直白：

在“自动化效率”与“用户控制权”之间找到平衡。

你会发现，只要把敏感操作统一做成“可中断”，用户的信任感会明显提升：

系统不再是“擅自帮你取消”，而是“我准备这么做，你点头我再执行”。

三、智能体协作机制：系统如何“思考”与“流转”

3.1 主智能体：调度中心

主智能体的任务不是“专业处理一切”，而是：

• 识别意图：航班？酒店？租车？签证？
• 判断是否需要委派
• 简单问题自己直接答（比如“改签一般有哪些费用”）
• 遇到跨域任务时拆解顺序（例如先改签确认再取消酒店）

在代码层面，主智能体通常会有四类“委派工具”（本质是路由信号）：

• ToFlightAssistant
• ToHotelAssistant
• ToCarAssistant
• ToVisaAssistant（扩展时加）

3.2 子智能体的专业化设计（以航班为例）

航班助手只需要关心航班相关工具：

• 安全：search_flights（查余票、价格）
• 敏感：update_ticket、cancel_ticket（触发授权）

专业化带来的好处很实际：

• prompt 更短、更精准
• 工具集更小，模型更不容易“拿错工具”
• token 消耗更可控（尤其是多轮对话场景）

3.3 核心流转机制剖析

入口节点（Entry Node）：智能体切换时的“上下文生成器”

你可以把 create_entry_node 理解为：

“当我把任务丢给子助手时，自动生成一段系统消息，交代背景和目标”。

它解决的问题是：主助手和子助手之间不需要靠“人肉复制粘贴上下文”，而是通过结构化状态自动串起来。

CompleteOrEscalate：子智能体的“完成/向上移交”协议

子智能体处理时会遇到两种情况：

• 完成：需求满足，返回主助手
• 移交：遇到策略冲突或超出权限（例如用户要求违反政策），需要回主助手统一协调

这相当于给多智能体协作定义了“收口协议”，系统不会在子助手里无限兜圈。

四、关键实现：如何构建“可中断”的权限流程

4.1 敏感工具的中断-授权流程

流程拆开看其实很清晰：

1. 用户提出修改请求：“帮我取消酒店”

2. 子智能体准备调用 cancel_hotel（敏感）

3. LangGraph 触发 interrupt：暂停执行

4. 系统把“待执行操作详情”展示给用户，请确认

5. 用户确认：继续执行；用户拒绝：终止/返回

核心是：工具不是不能自动调用，而是调用前必须过“授权闸门”。

4.2 错误处理与回退

现实世界里工具会失败：

• 酒店已过取消时间
• 订单号不存在
• 网络超时

好的体验应该是：

• 给用户可理解的失败原因
• agent_stack 不要乱（失败也要能回退到正确上下文）
• 允许用户选择下一步（换方案/联系客服/只保留建议）

五、扩展性设计：如何添加新智能体（以签证为例）

扩展到“签证办理智能体”一般只需要增量：

1. 定义新助手与工具（如 check_visa_requirements、prepare_visa_documents）

2. 主助手新增一条委派路由 ToVisaAssistant

3. 状态结构如需新增字段再加（多数情况下不需要）

这也是多智能体架构真正“能长期演进”的地方：

你不会因为加一个新模块，把整个系统 prompt 写崩。

六、完整代码示例（可运行骨架，包含中断授权）

下面这份代码是一个“可跑的最小系统骨架”：

• 具备 State(messages/user_info/agent_stack)
• 具备主助手 + 航班/酒店两个子助手
• 具备敏感工具的 interrupt 授权流程
• 用“伪工具实现”模拟真实 API（你接入自己的供应商接口即可）

依赖：langgraph、langchain-core、langchain-openai

环境变量：OPENAI_API_KEY

把下面保存为 multi_agent_travel.py：

from __future__ import annotations import osfrom dataclasses import dataclassfrom typing import Any, Dict, List, Literal, Optional, TypedDictfrom langchain_core.messages import AIMessage, HumanMessage, SystemMessage, ToolMessagefrom langchain_core.tools import toolfrom langchain_openai import ChatOpenAIfrom langgraph.graph import StateGraph, ENDfrom langgraph.types import interrupt# ----------------------------# 1) State: 全局记忆体# ----------------------------class UserInfo(TypedDict, total=False):    name: str    loyalty_id: str    preferences: Dict[str, Any]class TravelState(TypedDict):    messages: List[Any]    user_info: UserInfo    agent_stack: List[Literal["main", "flights", "hotels", "cars", "visa"]]    pending_action: Optional[Dict[str, Any]]  # 存放待授权的敏感操作# ----------------------------# 2) 工具：安全 vs 敏感# ----------------------------@tooldef search_flights(origin: str, destination: str, date: str) -> Dict[str, Any]:    """安全工具：查询航班（只读）"""    # 真实场景接供应商 API；这里用模拟数据    return {        "origin": origin,        "destination": destination,        "date": date,        "options": [            {"flight_no": "MU123", "depart": "09:10", "arrive": "13:40", "price": 2100},            {"flight_no": "NH008", "depart": "12:00", "arrive": "16:30", "price": 2850},        ],    }@tooldef search_hotels(city: str, checkin: str, checkout: str) -> Dict[str, Any]:    """安全工具：查询酒店（只读）"""    return {        "city": city,        "checkin": checkin,        "checkout": checkout,        "options": [            {"hotel": "Shinjuku Stay", "price_per_night": 980, "refundable": True},            {"hotel": "Ginza Business", "price_per_night": 1180, "refundable": False},        ],    }@tooldef cancel_hotel(order_id: str) -> Dict[str, Any]:    """敏感工具：取消酒店（会修改订单）"""    # 真实场景：调用取消接口；这里模拟成功    return {"order_id": order_id, "status": "cancelled", "refund": 1200}@tooldef update_ticket(ticket_id: str, new_flight_no: str) -> Dict[str, Any]:    """敏感工具：改签机票（会修改订单）"""    return {"ticket_id": ticket_id, "new_flight_no": new_flight_no, "status": "rebooked"}SAFE_TOOLS = [search_flights, search_hotels]SENSITIVE_TOOLS = [cancel_hotel, update_ticket]# ----------------------------# 3) 委派信号（路由工具）# ----------------------------@tooldef ToFlightAssistant() -> str:    """委派到航班助手"""    return "route:flights"@tooldef ToHotelAssistant() -> str:    """委派到酒店助手"""    return "route:hotels"ROUTING_TOOLS = [ToFlightAssistant, ToHotelAssistant]# ----------------------------# 4) LLM# ----------------------------def make_llm() -> ChatOpenAI:    return ChatOpenAI(        model="gpt-4o-mini",        temperature=0.2,    )# ----------------------------# 5) Entry Node: 切换上下文# ----------------------------def create_entry_node(target: Literal["flights", "hotels"]) -> Any:    def _entry(state: TravelState) -> TravelState:        stack = state["agent_stack"]        stack.append(target)        background = (            "你是旅行系统里的专业助手。/n"            f"你现在负责：{target}。/n"            "你会收到主助手已有的对话上下文，请直接推进任务。/n"            "如果任务完成，返回 'CompleteOrEscalate' 工具并说明原因。/n"            "如果需要执行敏感操作（取消/改签），先触发授权流程，不要擅自执行。"        )        return {            state,            "messages": state["messages"] + [SystemMessage(content=background)],            "agent_stack": stack,        }    return _entry@tooldef CompleteOrEscalate(reason: str) -> str:    """子助手完成或需要上移交时调用"""    return f"complete:{reason}"# ----------------------------# 6) 权限中断：敏感工具网关# ----------------------------def sensitive_tool_gateway(state: TravelState) -> TravelState:    """    如果 pending_action 存在，则触发 interrupt 请求用户授权。    用户同意后继续执行；用户拒绝则清空并返回上级。    """    pending = state.get("pending_action")    if not pending:        return state    # 触发中断，把将要执行的动作展示给用户    decision = interrupt(        {            "type": "approval_required",            "title": "需要确认敏感操作",            "action": pending,            "prompt": "请回复：确认 / 取消",        }    )    # decision 由外部 runner 注入（见 main 中的示例）    if isinstance(decision, dict) and decision.get("approved") is True:        tool_name = pending["tool"]        args = pending["args"]        # 执行真实敏感工具        if tool_name == "cancel_hotel":            result = cancel_hotel.invoke(args)        elif tool_name == "update_ticket":            result = update_ticket.invoke(args)        else:            result = {"error": f"unknown sensitive tool: {tool_name}"}        return {            state,            "pending_action": None,            "messages": state["messages"] + [ToolMessage(content=str(result), tool_call_id=pending["tool_call_id"])],        }    # 用户拒绝：清空 pending_action，并回到主助手    stack = state["agent_stack"]    if len(stack) > 1:        stack.pop()    return {        state,        "pending_action": None,        "agent_stack": stack,        "messages": state["messages"] + [AIMessage(content="好的，我不会执行该操作。我们回到主流程继续。")],    }# ----------------------------# 7) 各智能体：主/航班/酒店# ----------------------------def main_assistant(state: TravelState) -> TravelState:    llm = make_llm().bind_tools(ROUTING_TOOLS)    sys = SystemMessage(        content=(            "你是旅行规划系统的主助手（调度中心）。/n"            "职责：识别用户意图；必要时委派到子助手（航班/酒店）；简单问题直接回答。/n"            "当用户提出需要取消/改签等修改动作时，引导到对应子助手处理，并强调需要用户确认。/n"        )    )    msgs = [sys] + state["messages"]    out = llm.invoke(msgs)    return {state, "messages": state["messages"] + [out]}def flight_assistant(state: TravelState) -> TravelState:    llm = make_llm().bind_tools([*SAFE_TOOLS, *SENSITIVE_TOOLS, CompleteOrEscalate])    sys = SystemMessage(        content=(            "你是航班助手。/n"            "你可以用 search_flights 查询；如果要改签(update_ticket)或退票等敏感操作，必须先走授权。/n"            "当你准备执行敏感工具时，不要直接调用工具；请在 state.pending_action 写入待执行信息，并让系统走授权网关。/n"        )    )    out = llm.invoke([sys] + state["messages"])    # 如果模型直接发起敏感 tool call：拦截并转 pending_action    if hasattr(out, "tool_calls") and out.tool_calls:        for tc in out.tool_calls:            name = tc["name"]            if name in {"update_ticket"}:                return {                    state,                    "messages": state["messages"] + [out],                    "pending_action": {                        "tool": name,                        "args": tc["args"],                        "tool_call_id": tc["id"],                    },                }    return {state, "messages": state["messages"] + [out]}def hotel_assistant(state: TravelState) -> TravelState:    llm = make_llm().bind_tools([*SAFE_TOOLS, *SENSITIVE_TOOLS, CompleteOrEscalate])    sys = SystemMessage(        content=(            "你是酒店助手。/n"            "你可以用 search_hotels 查询；如果要取消订单(cancel_hotel)等敏感操作，必须先走授权。/n"            "当你准备执行敏感工具时，不要直接调用工具；请在 state.pending_action 写入待执行信息，并让系统走授权网关。/n"        )    )    out = llm.invoke([sys] + state["messages"])    if hasattr(out, "tool_calls") and out.tool_calls:        for tc in out.tool_calls:            name = tc["name"]            if name in {"cancel_hotel"}:                return {                    state,                    "messages": state["messages"] + [out],                    "pending_action": {                        "tool": name,                        "args": tc["args"],                        "tool_call_id": tc["id"],                    },                }    return {state, "messages": state["messages"] + [out]}# ----------------------------# 8) Graph：路由与返回# ----------------------------def route_from_main(state: TravelState) -> str:    last = state["messages"][-1]    if hasattr(last, "tool_calls") and last.tool_calls:        name = last.tool_calls[0]["name"]        if name == "ToFlightAssistant":            return "to_flights"        if name == "ToHotelAssistant":            return "to_hotels"    return "end_or_wait"def route_after_child(state: TravelState) -> str:    # 如果有待授权敏感操作，先走网关    if state.get("pending_action"):        return "sensitive_gateway"    # 如果子助手显式 CompleteOrEscalate，则返回主助手    last = state["messages"][-1]    if hasattr(last, "tool_calls") and last.tool_calls:        for tc in last.tool_calls:            if tc["name"] == "CompleteOrEscalate":                # pop 子助手                stack = state["agent_stack"]                if len(stack) > 1:                    stack.pop()                state["agent_stack"] = stack                return "back_to_main"    # 否则继续留在当前子助手    return "stay"def build_graph():    g = StateGraph(TravelState)    g.add_node("main", main_assistant)    g.add_node("entry_flights", create_entry_node("flights"))    g.add_node("entry_hotels", create_entry_node("hotels"))    g.add_node("flights", flight_assistant)    g.add_node("hotels", hotel_assistant)    g.add_node("sensitive_gateway", sensitive_tool_gateway)    g.set_entry_point("main")    g.add_conditional_edges(        "main",        route_from_main,        {            "to_flights": "entry_flights",            "to_hotels": "entry_hotels",            "end_or_wait": END,        },    )    g.add_edge("entry_flights", "flights")    g.add_edge("entry_hotels", "hotels")    g.add_conditional_edges(        "flights",        route_after_child,        {"sensitive_gateway": "sensitive_gateway", "back_to_main": "main", "stay": "flights"},    )    g.add_conditional_edges(        "hotels",        route_after_child,        {"sensitive_gateway": "sensitive_gateway", "back_to_main": "main", "stay": "hotels"},    )    # 授权网关执行完：回到当前栈顶对应助手    def after_gateway_route(state: TravelState) -> str:        top = state["agent_stack"][-1]        return {"main": "main", "flights": "flights", "hotels": "hotels"}.get(top, "main")    g.add_conditional_edges(        "sensitive_gateway",        after_gateway_route,        {"main": "main", "flights": "flights", "hotels": "hotels"},    )    return g.compile()# ----------------------------# 9) 本地演示 Runner# ----------------------------def run_demo():    graph = build_graph()    state: TravelState = {        "messages": [],        "user_info": {"name": "Alex", "preferences": {"hotel_budget": 1200}},        "agent_stack": ["main"],        "pending_action": None,    }    print("输入 exit 退出。")    while True:        text = input("/n你：").strip()        if text.lower() == "exit":            break        state["messages"].append(HumanMessage(content=text))        # invoke 可能触发 interrupt；这里用 try/except 演示一个“简化版人工审批”        try:            state = graph.invoke(state)        except Exception as e:            # LangGraph 的 interrupt 在不同版本里表现略有差异；            # 这里用一个通用思路：检测到中断后，人工收集确认并继续。            # 如果你的版本提供更直接的中断捕获方式，可按官方文档替换。            print(f"/n[系统中断] {e}")            # 简化：读取 pending_action 来展示            pending = state.get("pending_action")            if pending:                print(f"待执行：{pending['tool']} args={pending['args']}")                decision = input("确认执行？(确认/取消)：").strip()                approved = decision == "确认"                # 将 decision 以可被 interrupt 消费的形式写回（示例做法）                # 实战中建议用 checkpointer / stream API 处理更优雅                state["messages"].append(                    HumanMessage(content=f"审批结果：{'同意' if approved else '拒绝'}")                )                # 这里直接调用网关节点                state = sensitive_tool_gateway({state, "pending_action": pending})                state = graph.invoke(state)        # 打印最后一条 AI 输出        for m in state["messages"][-3:]:            if isinstance(m, AIMessage):                print(f"/n助手：{m.content}")if __name__ == "__main__":    if not os.getenv("OPENAI_API_KEY"):        raise RuntimeError("请先设置环境变量 OPENAI_API_KEY")    run_demo()

运行方式：

pip install langgraph langchain-core langchain-openaiexport OPENAI_API_KEY=你的keypython multi_agent_travel.py

你可以试试输入：

• “帮我查一下长沙到北京，2026-01-10 的航班”
• “把我的机票改签到 NH008”
• “取消酒店订单 H10086”（会触发授权中断）

七、总结

多智能体系统听起来挺复杂，但本质就是"分工合作"这个古老智慧的数字化实现。LangGraph提供了很好的框架，让我们能够把这种协作逻辑优雅地表达出来。

这套“可中断、可委派”的多智能体旅行系统，核心优势很明确：

• 专业化：每个子智能体只做一类事，提示词更准、工具更少、成本更可控
• 权限控制：敏感操作统一中断授权，用户放心，系统也更安全
• 模块化扩展：加一个“签证助手”就是加一组工具 + 一条路由，不用重写全局

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？