LangGraph Multi-Agent Research Assistant 研究筆記¶

資料來源¶

項目	連結
GitHub Repo	melroyanthony/langgraph-multi-agent

專案概述¶

項目	數值
Stars	0
Forks	0
Language	Python
License	—
最近 commit	2026-02-17

這是一個用 LangGraph Supervisor 模式實作的多 Agent 研究助理教學專案。三個專家 Agent（Researcher、Writer、Reviewer）由一個 Supervisor 協調，自動完成「搜尋 → 撰稿 → 審稿」的研究流程，支援最多 3 輪修訂迴圈。

雖然星數為零，但它是 LangGraph 官方 Supervisor + Swarm 庫的最佳實踐參考實作，展示了完整的 production 模式。

核心架構¶

Supervisor ──route──→ Researcher（web_search + summarize）
    │                      │ notes
    │                      ▼
    ├──route──→ Writer（draft / revise）
    │                      │ draft
    │                      ▼
    ├──route──→ Reviewer（critique + verdict）
    │                      │ ACCEPT / REVISE
    │                      ▼
    └──── complete ──→ FINISH

Agent 角色¶

Agent	職責	工具
Supervisor	檢查共享 state，路由到正確的專家	LLM 路由（無工具）
Researcher	網路搜尋 + 摘要整理	`web_search`（Tavily）、`summarize`
Writer	將研究筆記寫成報告，納入 reviewer 回饋修訂	LLM 生成
Reviewer	審查稿件的正確性、清晰度、完整性，給出 ACCEPT 或 REVISE	LLM 評估

關鍵設計模式¶

Supervisor routing — 用 conditional edges 動態分派，避免 hard-coded pipeline
Human-in-the-loop — 用 LangGraph 的 interrupt_before 在 reviewer 前暫停，讓人類注入回饋
Iterative refinement — Writer-Reviewer 迴圈最多跑 3 次，確保輸出品質
Multi-provider LLM — 一個環境變數切換 OpenAI / Anthropic

技術棧¶

元件	技術
編排	LangGraph
LLM	GPT-4o / Claude Sonnet 4.5
搜尋	Tavily
設定	python-dotenv + pydantic
套件管理	uv

目前限制與注意事項¶

個人教學專案 — 0 stars、無社群維護，僅供學習參考
Supervisor 延遲 — 每次路由都經 supervisor，比 swarm 模式多 ~40% 延遲
固定 3 輪修訂 — 修訂次數硬編碼，無法根據品質動態調整
單一搜尋來源 — 只用 Tavily，無法整合多個搜尋引擎

研究價值與啟示¶

關鍵洞察¶

「Supervisor + 修訂迴圈」是研究類 Agent 的標準範本 — Researcher → Writer → Reviewer 的三角色分工 + iterative refinement 是最常見的 LangGraph 多 Agent 模式。這個專案是這個範本的最乾淨實作。
Human-in-the-loop 的正確插入點 — 在 Reviewer 之前（而非之後）暫停讓人類介入，是因為人類回饋可以直接融入 reviewer 的評估，比等 reviewer 評完再覆蓋更高效。
教學專案的價值在於「可讀性」而非「功能」 — 這個 repo 的專案結構（agents/config.py + graph.py + tools.py）和 Dockerfile 都是教科書等級的整潔。適合作為 LangGraph 多 Agent 的起始模板。

與其他專案的關聯¶

vs. LangGraph Supervisor — 這個專案是 Supervisor 庫的實作範例，展示了 create_supervisor 的完整用法。
vs. LangGraph Swarm — 如果把 Supervisor 換成 Swarm handoff，Writer 可以直接把稿件交給 Reviewer，不需繞回 Supervisor，降低延遲。
vs. Open SWE — Open SWE 是 production 等級的 coding agent，這個是教學等級的 research agent。架構概念相同但複雜度差距巨大。
vs. 多 Agent 辯論會 — 辯論會用 Copilot SDK 實作多 Agent，這個用 LangGraph。都是「多個 Agent 互相協作」但框架不同。