这是一个关于在 20 分钟内使用 LangGraph 多代理工作流、RAG 搜索和 LaunchDarkly AI Configs 构建具有动态配置的工作多代理系统的教程。

• 系列内容涵盖：

  • Part 1：在 20 分钟内构建具有动态配置的工作多代理系统
  • Part 2：添加高级功能，如细分目标、MCP 工具集成和成本优化
  • Part 3：运行生产 A/B 实验以证明实际有效的内容

• 今日构建内容：

  • Supervisor Agent：协调专门代理之间的工作流
  • Security Agent：检测 PII 和敏感信息
  • Support Agent：使用业务文档回答问题
  • Dynamic Control：通过 LaunchDarkly 进行无需代码更改的模型、工具和行为更改

• 先决条件：

  • Python 3.9+ 及 uv 包管理器
  • LaunchDarkly 账户
  • OpenAI API 密钥（用于 RAG 架构嵌入）
  • Anthropic API 密钥（用于 Claude 模型）或 OpenAI API 密钥（用于 GPT 模型）

• 构建步骤：

  • 克隆和配置（2 分钟）：克隆代码，安装依赖项，配置环境，获取 LaunchDarkly SDK 密钥并编辑 .env 文件
  • 添加业务知识（2 分钟）：用自己的文档替换示例强化学习教科书，支持多种类型的文档
  • 初始化知识库（2 分钟）：将文档转换为可搜索的 RAG 知识，使用 OpenAI 的文本嵌入模型和 FAISS 向量数据库构建 RAG 基础
  • 定义工具（3 分钟）：在 LaunchDarkly 中创建 RAG 向量搜索工具和重新排序工具，定义工具的属性和模式
  • 在 LaunchDarkly 中创建 AI 代理（5 分钟）：为 Supervisor Agent、Security Agent 和 Support Agent 创建 LaunchDarkly AI Configs，配置每个代理的行为、模型选择和特定指令
  • 启动系统（2 分钟）：启动后端和 UI，在浏览器中打开聊天界面
  • 测试多代理系统（2 分钟）：使用不同的查询测试系统，观察代理的激活、使用的模型和工具以及文本的修改

  • 尝试新功能：

    • 即时切换模型：在 LaunchDarkly 中更改支持代理的模型配置，实时观察响应的变化
    • 调整工具使用：限制支持代理在单个交互中调用工具的次数
    • 更改代理行为：将支持代理转换为研究专家，使其更注重准确性和全面性

• 理解构建内容：

  • LangGraph 编排：Supervisor Agent 使用 LangGraph 状态管理智能路由请求
  • 隐私保护：通过分离代理和分配不同信任级别的模型来保护隐私
  • RAG 知识系统：Support Agent 结合 LangGraph 工具链和 RAG 系统进行语义文档搜索和重新排序
  • 运行时控制：LaunchDarkly 无需代码更改即可控制 LangGraph 行为和 RAG 参数

• 后续步骤：

  • Part 2：添加地理基于的隐私规则、MCP 工具、业务层配置和成本优化策略
  • Part 3：运行 A/B 实验以证明最佳配置
• 尝试内容：尝试不同的指令、工具组合、模型比较和成本限制

• 关键要点：

  • 多代理系统中每个代理应具有特定角色
  • 动态配置比硬编码更能处理变化的需求
  • LaunchDarkly AI Configs 可控制和更改 AI 行为而无需部署
  • 从简单开始并根据实际效果添加复杂性