LangGraph Supervisor 研究筆記¶

資料來源¶

項目	連結
GitHub Repo	langchain-ai/langgraph-supervisor-py
Medium 對比文	LangGraph SWARM vs SUPERVISOR
LangChain 官方基準	Benchmarking Multi-Agent Architectures

專案概述¶

項目	數值
Stars	1,532
Forks	234
Language	Python
License	MIT
最近 commit	2026-03-02

LangGraph Supervisor 是 LangChain 官方的階層式多 Agent 協調庫。核心概念：一個 Supervisor agent 扮演中央調度器，接收使用者輸入後決定把任務委派給哪個專家 agent，收集結果後再回覆或繼續委派。

官方提醒：LangChain 現在推薦直接用 tool-calling 實作 supervisor 模式，而非依賴此庫。此庫主要用於升級既有程式碼到 LangChain 1.0。

核心架構¶

User → Supervisor → [research_agent | math_agent | ...] → Supervisor → User
              ↑                                              │
              └──────────────── 多輪委派 ────────────────────┘

關鍵 API¶

from langgraph_supervisor import create_supervisor
from langgraph.prebuilt import create_react_agent

workflow = create_supervisor(
    [research_agent, math_agent],
    model=model,
    prompt="You are a team supervisor..."
)
app = workflow.compile(checkpointer=checkpointer)

訊息歷史控制¶

模式	說明
`full_history`	保留 agent 的完整對話歷史
`last_message`	只保留 agent 的最終回應

多層階層¶

research_team = create_supervisor([...]).compile(name="research_team")
writing_team = create_supervisor([...]).compile(name="writing_team")
top_level = create_supervisor([research_team, writing_team]).compile()

目前限制與注意事項¶

官方已半棄用 — README 明確建議改用 tool-calling 手動實作
額外延遲 — 每次委派都經過 supervisor 翻譯，token 用量比 swarm 高 ~40%
中央瓶頸 — 所有通訊必經 supervisor，不支援 agent 間直接對話

研究價值與啟示¶

關鍵洞察¶

Supervisor 模式是多 Agent 的「安全預設」 — 對 sub-agent 的假設最少，任何場景都能用，但效率較低。適合原型階段或需要嚴格控制的場景。
官方推動從「庫」到「模式」的轉變 — LangChain 鼓勵用 tool-calling 手寫 supervisor，而非依賴封裝庫。這反映了 AI 框架從「黑盒」走向「透明模式」的趨勢。

與其他專案的關聯¶

vs. LangGraph Swarm — Supervisor 是中央集權，Swarm 是去中心化。Supervisor 更安全但更慢，Swarm 更快但需要每個 agent 知道所有其他 agent。
vs. LangGraph Multi-Agent — Multi-Agent 是用 Supervisor 模式實作的教學範例。
vs. Open SWE — Open SWE 用 Deep Agents 做子 agent 編排，概念上和 Supervisor 的多層階層類似。