这是关于多智能体系统的介绍：

• 概述：多智能体系统的难点在于盈利，而非构建。文中介绍了 LangGraph 多智能体工作流及 LaunchDarkly AI Config 目标规则，可智能路由用户，为不同用户提供不同服务，如付费用户获得高级工具和模型，免费用户获得低成本替代方案，欧盟用户获得 Mistral 以增强隐私。并提及使用 LaunchDarkly REST API 可在 2 分钟内设置自定义变体目标矩阵，替代手动设置。
• 今日构建内容：在 18 分钟内，通过添加业务层级和 MCP 集成、地理定位、智能配置等，将基本多智能体系统进行转换。
• 前提条件：完成第一部分教程并具备特定命名和环境配置，包括获取 LaunchDarkly API 密钥等。获取 API 密钥需导航至组织设置，创建新访问令牌，配置并保存后立即复制令牌值，且需保密，勿提交至版本控制。
• 步骤 1：添加外部研究工具（4 分钟）： agents 需要外部数据，Model Context Protocol (MCP) 可连接 AI 助手与外部数据，文中使用手动安装学术研究服务器（ArXiv 和 Semantic Scholar），添加了 arxiv_search 和 semantic_scholar 工具，由 LangGraph 集成，LaunchDarkly 控制用户访问。
• 步骤 2：使用 API 自动化配置（2 分钟）：使用 LaunchDarkly REST API 进行程序自动化配置，通过读取 YAML 清单并转换为 API 调用，创建工具、用户段、AI 配置变体、目标规则等，可处理复杂的 LaunchDarkly API，同时在 YAML 中定义目标逻辑。并给出了预期终端输出，以及常见问题的排查方法。
• 步骤 3：了解智能细分工作原理（2 分钟）：按区域和业务层级进行智能细分，如欧盟用户使用 Mistral 进行安全处理，非欧盟用户使用 Claude 进行安全等；免费用户使用基本搜索工具，付费用户使用全研究功能。
• 步骤 4：使用脚本测试细分（2 分钟）：通过包含的测试脚本模拟真实用户场景，发送 API 请求验证目标规则是否正确，确认每个用户类型获得正确的模型、工具和行为，确认目标矩阵在所有用户段中正常工作。
• 步骤 5：在聊天界面体验细分（3 分钟）：在运行后端的情况下启动聊天界面，通过用户下拉菜单选择不同用户类型（如欧盟、其他地区，免费、付费计划），提问并观察工作流程，验证路由是否正确。
• 下一步：第三部分预览：在第三部分，将通过受控 A/B 实验证明实际效果，设置简单实验如工具实现测试、模型效率分析等，跟踪实际指标如用户满意度、工具调用效率、令牌成本分析、响应延迟等，以数据指导决策。
• 未来之路：构建了可根据用户自适应的多智能体系统，证明了复杂的 AI 应用无需重复部署，只需智能配置，此方法可扩展至服务更多用户，遵循智能细分、动态配置和数据指导决策的原则。

如有问题可联系 mailto:aiproduct@launchdarkly... 或在 GitHub 仓库中打开问题。