LangChain 多代理系統（Multi‑Agent Systems）

主題：自動化工作流程 Orchestration

---

簡介

在現代 AI 應用中，單一的大語言模型（LLM）往往只能解決「單一步驟」的問題，若要完成 跨領域的複雜任務（如資料蒐集 → 分析 → 報表生成），就需要把多個專精於不同功能的代理（Agent）串起來，形成一條自動化的工作流程。

LangChain 為開發者提供了 Agent、Tool、Memory 等抽象層，讓我們可以在程式碼中快速組合多個代理，並透過 Orchestration（編排） 控制它們的執行順序、錯誤處理與資訊共享。掌握這套編排機制，開發者就能把「聊天機器人」升級為「自動化助理」，在客服、商務分析、資料工程等領域大幅提升效率。

---

核心概念

1. Agent 與 Tool 的角色分離

• Agent：負責決策、規劃以及與使用者的對話。它會根據上下文選擇要呼叫哪個 Tool。
• Tool：實際執行具體功能的程式模組，如搜尋 API、資料庫查詢、檔案寫入等。Tool 只需要提供 name、description、func 三個屬性，LangChain 會自動將它們包裝成可被 Agent 呼叫的介面。

重點：Agent 只需要關心「要做什麼」，Tool 則專注「怎麼做」，兩者解耦後才能靈活組合。

2. Orchestrator（編排器）

Orchestrator 是一個負責 管理多個 Agent 執行流程 的元件。它的工作包括：

1. 流程定義：以序列、條件或迭代的方式描述各 Agent 的執行順序。
2. 狀態追蹤：保存每一步的輸入/輸出、錯誤訊息，供後續 Agent 參考。
3. 錯誤恢復：當某個 Agent 失敗時，可自動重試、跳過或切換備援 Agent。

LangChain 官方提供的 AgentExecutor、SequentialChain、ConditionalChain 等類別，就是為了簡化這些編排工作。

3. Memory（記憶）在多代理系統中的重要性

在單一 Agent 中，我們常使用 ConversationBufferMemory 來保存對話歷史。多代理系統則需要 共享或隔離的記憶體：

• 共享 Memory：所有 Agent 都能讀寫同一個記憶體，適合資訊必須在不同步驟間傳遞的情境（例如：搜尋結果要給分析 Agent 使用）。
• 隔離 Memory：每個 Agent 各自擁有獨立的記憶體，避免資訊污染，適合平行執行的任務。

LangChain 允許開發者自行實作 BaseMemory，或直接使用 ConversationSummaryMemory 來自動摘要長篇資訊。

---

程式碼範例

以下示範如何使用 JavaScript（Node.js） 版 LangChain 建立一個簡單的三步驟工作流程：

1. 搜尋（SearchAgent） → 2. 分析（AnalyzeAgent） → 3. 產生報告（ReportAgent）。

注意：範例以 @langchain/core、@langchain/openai、@langchain/agents 為基礎套件，實際使用前請先 npm install。

1️⃣ 建立 Tool

// tools.js
const { Tool } = require("@langchain/agents");

// 1. 網路搜尋工具
const searchTool = new Tool({
  name: "search",
  description: "使用 Bing API 進行關鍵字搜尋，回傳前 5 筆結果。",
  func: async (input) => {
    // 假設已設定好 bingClient
    const results = await bingClient.search(input);
    return results.slice(0, 5).map(r => r.title + ": " + r.snippet).join("\n");
  },
});

// 2. 文本分析工具
const sentimentTool = new Tool({
  name: "sentiment_analysis",
  description: "分析給定文字的情緒（positive/negative/neutral）。",
  func: async (text) => {
    const response = await openaiClient.createChatCompletion({
      model: "gpt-3.5-turbo",
      messages: [{ role: "user", content: `請判斷以下文字的情緒：\n${text}` }],
    });
    return response.choices[0].message.content.trim();
  },
});

module.exports = { searchTool, sentimentTool };

2️⃣ 定義 Agent

// agents.js
const { OpenAIChat, ChatPromptTemplate } = require("@langchain/openai");
const { initializeAgentExecutor } = require("@langchain/agents");
const { searchTool, sentimentTool } = require("./tools");

// SearchAgent：只會呼叫 searchTool
const searchAgent = await initializeAgentExecutor(
  new OpenAIChat({ temperature: 0 }),
  [searchTool],
  { agentType: "zero-shot-react-description" }
);

// AnalyzeAgent：會先呼叫 searchTool 再呼叫 sentimentTool
const analyzeAgent = await initializeAgentExecutor(
  new OpenAIChat({ temperature: 0.3 }),
  [searchTool, sentimentTool],
  { agentType: "zero-shot-react-description" }
);

// ReportAgent：只負責產出最終報告文字
const reportAgent = async (analysis) => {
  const prompt = ChatPromptTemplate.fromMessages([
    ["system", "你是一位專業的報告撰寫助手，請把以下分析結果整理成條列式報告，字數控制在 300 字以內。"],
    ["human", "{analysis}"],
  ]);
  const chain = prompt.pipe(new OpenAIChat({ temperature: 0.2 }));
  const result = await chain.invoke({ analysis });
  return result.content;
};

module.exports = { searchAgent, analyzeAgent, reportAgent };

3️⃣ 建立 Orchestrator（流程編排）

// orchestrator.js
const { SequentialChain } = require("@langchain/chains");
const { searchAgent, analyzeAgent, reportAgent } = require("./agents");

// 步驟 1：搜尋關鍵字
async function stepSearch(query) {
  const result = await searchAgent.run(`搜尋關鍵字：${query}`);
  return result; // 文字列表
}

// 步驟 2：情緒分析
async function stepAnalyze(searchResult) {
  const analysis = await analyzeAgent.run(`
    以下是搜尋結果，請針對每一筆結果做情緒分析，並回傳 JSON 陣列：
    ${searchResult}
  `);
  return analysis; // JSON 字串
}

// 步驟 3：產生報告
async function stepReport(analysis) {
  const report = await reportAgent(analysis);
  return report;
}

// 組合成 SequentialChain
const workflow = new SequentialChain({
  inputVariables: ["query"],
  outputVariables: ["report"],
  chains: [
    { name: "search", chain: { call: stepSearch } },
    { name: "analyze", chain: { call: stepAnalyze } },
    { name: "report", chain: { call: stepReport } },
  ],
});

// 執行範例
(async () => {
  const { report } = await workflow.call({ query: "LangChain 多代理系統" });
  console.log("=== 最終報告 ===\n", report);
})();

4️⃣ 使用共享 Memory（可選）

// sharedMemory.js
const { ConversationBufferMemory } = require("@langchain/memory");

// 建立一個全域共享的記憶體
const sharedMemory = new ConversationBufferMemory({ returnMessages: true });

// 在每個 Agent 初始化時注入 memory
const searchAgent = await initializeAgentExecutor(
  new OpenAIChat({ temperature: 0 }),
  [searchTool],
  { agentType: "zero-shot-react-description", memory: sharedMemory }
);
// 其餘 Agent 同理...

5️⃣ 錯誤恢復與重試機制

// retryWrapper.js
async function withRetry(fn, maxAttempts = 3, delayMs = 1000) {
  for (let attempt = 1; attempt <= maxAttempts; attempt++) {
    try {
      return await fn();
    } catch (err) {
      console.warn(`第 ${attempt} 次嘗試失敗：${err.message}`);
      if (attempt === maxAttempts) throw err;
      await new Promise(res => setTimeout(res, delayMs));
    }
  }
}

// 在 Orchestrator 中使用
async function stepSearch(query) {
  return await withRetry(() => searchAgent.run(`搜尋關鍵字：${query}`));
}

---

常見陷阱與最佳實踐

陷阱	為什麼會發生	解決方法 / 最佳實踐
Tool 輸入/輸出格式不一致	Agent 依賴自然語言指令，若 Tool 回傳的文字無法被後續 Agent 正確解析，就會卡住流程。	為每個 Tool 設計明確的 JSON schema，並在 Agent Prompt 中加入「回傳格式」的說明。
忘記設定 Memory	多代理系統的資訊流容易斷層，導致後續 Agent 無法取得前一步的結果。	使用 共享 Memory 或在 SequentialChain 中手動傳遞 intermediateSteps。
過度依賴單一 LLM	若 LLM 回答不一致，整條流程的穩定性會下降。	為關鍵步驟（如資料驗證）加入 Rule‑Based 判斷，或使用 多模型備援（OpenAI + Anthropic）。
未控制 Token 數量	長串的搜尋結果或分析報告會使 Token 超過模型上限，拋出錯誤。	在每一步加入 摘要或截斷（ConversationSummaryMemory），或使用 maxTokens 參數限制回傳長度。
缺乏錯誤回報機制	當某個 Tool 拋出例外時，整個流程直接失敗，使用者無法得知失敗原因。	透過 withRetry 包裝每個步驟，並在 Orchestrator 中捕獲錯誤，回傳結構化的 errorReport。

最佳實踐總結：

1. 明確定義 Tool 的 I/O 協議（JSON + 範例）。
2. 使用 Memory 來保存關鍵上下文，避免資訊遺失。
3. 在 Orchestrator 中加入重試與超時控制，提升容錯性。
4. 將 LLM 產出限制在可驗證的範圍（如固定格式、字數上限）。
5. 持續監控 Token 使用與 API 請求成本，避免意外超支。

---

實際應用場景

場景	需求	多代理編排的價值
客服自動化	先從知識庫搜尋答案 → 判斷情緒 → 若情緒負面則升級給人工	代理分工明確、情緒判斷與升級流程自動化，縮短回應時間。
市場情報蒐集	抓取多個新聞網站 → 文字摘要 → 情感分析 → 產出每日簡報	多工具串接一次完成，減少手動整理的工時。
資料清理工作流	從資料湖讀取原始檔 → 使用 LLM 產生正規化規則 → 執行 ETL → 產出報表	LLM 可動態產生清理規則，整條流程自動化，提升資料品質。
研發文件生成	收集 Git commit 訊息 → 生成變更說明 → 自動寫入 Release Note	代理間共享 Memory，確保變更資訊不遺失，文件生成更一致。
金融風險評估	抓取即時市場數據 → 計算風險指標 → 產出警示報告 → 發送 Slack 通知	透過條件分支（若風險指標超過閾值才發送），降低噪音訊息。

---

總結

LangChain 的 多代理系統 + Orchestration 為開發者提供了一條從 「原始需求 → 多步驟自動化」 的完整路徑。

• Agent 負責決策與對話，Tool 執行具體功能，二者解耦後可自由組合。
• Orchestrator（如 SequentialChain）讓我們用程式化的方式描述流程、追蹤狀態、處理錯誤。
• Memory 則是資訊在不同代理間流通的橋樑，適當的共享或隔離策略是系統穩定的關鍵。

透過本文的 範例程式碼、陷阱對照表 與 實務場景，讀者不僅能快速上手，也能在設計自己的 AI 工作流時避免常見錯誤，打造出 可擴充、可維護且成本可控 的自動化解決方案。未來，隨著 LLM 能力的持續提升，結合多代理編排的應用將變得更為廣泛，值得每位開發者持續關注與實驗。祝開發順利！