Enjambre de múltiples agentes Langgraph es una biblioteca de Python diseñada para orquestar múltiples agentes de IA como un «enjambre» cohesivo. Se podio en Langgraph, un ámbito para construir flujos de trabajo de agentes robustos y con estado, para permitir una forma especializada de inmueble de múltiples agentes. En un enjambre, los agentes con diferentes especializaciones se entregan dinámicamente el control entre sí como demandan las tareas, en empleo de un solo agente monolítico que intenta todo. El sistema rastrea qué agente estuvo el zaguero activo para que cuando un favorecido proporcione la ulterior entrada, la conversación se reanuda sin problemas con ese mismo agente. Este enfoque aborda el problema de construir flujos de trabajo cooperativos de IA, donde el agente más calificado puede manejar cada subtarea sin perder el contexto o la continuidad.
El enjambre de Langgraph tiene como objetivo hacer que dicha coordinación de múltiples agentes sea más acomodaticio y más confiable para los desarrolladores. Proporciona abstracciones para vincular los agentes del maniquí de idioma individual (cada uno potencialmente con sus herramientas y indicaciones) en una aplicación integrada. La biblioteca viene con soporte agudo para usar para respuestas de transmisión, integración de memoria a corto y extenso plazo e incluso intervención humana en el rizo, gracias a su cojín sobre Langgraph. Al disfrutar el langgraph (un ámbito de orquestación de nivel inferior) y ajustarse lógicamente al ecosistema de Langchain más amplio, Langgraph Swarm permite a los ingenieros e investigadores de educación necesario construir sistemas de agentes de IA complejos mientras mantienen un control patente sobre el flujo de información y decisiones.
Langgraph Swarm Architecture and Key Características
En su núcleo, el enjambre de Langgraph representa múltiples agentes como nodos en un descriptivo de estado dirigido, los bordes definen las vías de transferencia y un estado compartido rastrea el ‘Active_Agent’. Cuando un agente invoca una transferencia, la biblioteca actualiza ese campo y transfiere el contexto necesario para que el ulterior agente continúe sin problemas la conversación. Esta configuración admite especialización colaborativa, permitiendo que cada agente se centre en un dominio rígido al tiempo que ofrece herramientas de transferencia personalizables para flujos de trabajo flexibles. Construido en los módulos de transmisión y memoria de Langgraph, el enjambre conserva el contexto de conversación a corto plazo y el conocimiento a extenso plazo, asegurando interacciones coherentes y múltiples incluso cuando el control cambia entre los agentes.
Coordinación del agente a través de herramientas de transferencia
Las herramientas de transferencia de Langgraph Swarm permiten que un agente transfiera el control a otro emitiendo un ‘comando’ que actualice el estado compartido, cambiando el contexto ‘Active_AGENT’ y pasando por el contexto, como mensajes relevantes o un breviario personalizado. Si correctamente la aparejo predeterminada entrega la conversación completa e inserta una notificación, los desarrolladores pueden implementar herramientas personalizadas para filtrar el contexto, ampliar instrucciones o cambiar el nombre de la argumento para influir en el comportamiento de la LLM. A diferencia de los patrones autónomos de rutas de IA, el enrutamiento de Swarm se define explícitamente: cada aparejo de transferencia especifica qué agente puede hacerse cargo, asegurando flujos predecibles. Este mecanismo respalda los patrones de colaboración, como un «planificador de viajes» que delega preguntas médicas a un «asesor médico» o un coordinador que distribuye consultas técnicas y de facturación a expertos especializados. Se podio en un enrutador interno para dirigir los mensajes de favorecido al agente presente hasta que ocurra otra transferencia.
Dirección estatal y memoria
La papeleo del estado y la memoria es esencial para preservar el contexto a medida que los agentes entregan tareas. Por defecto, Langgraph Swarm mantiene un estado compartido, que contiene el historial de conversación y un grabador ‘Active_AGENT’, y utiliza un checkpointer (como un capital en memoria o una tienda de bases de datos) para persistir este estado en los turnos. Por otra parte, admite un almacén de memoria para el conocimiento a extenso plazo, lo que permite que el sistema registre hechos o interacciones pasadas para futuras sesiones mientras mantiene una ventana de mensajes recientes para un contexto inmediato. Juntos, estos mecanismos aseguran que el enjambre nunca «olvida» qué agente está activo o qué se ha discutido, lo que permite diálogos de múltiples vueltas múltiples y acumulando las preferencias del favorecido o datos críticos a lo extenso del tiempo.
Cuando se necesita más control granular, los desarrolladores pueden fijar esquemas de estado personalizados para que cada agente tenga su historial de mensajes privados. Al envolver las llamadas del agente para asignar el estado universal en campos específicos del agente antaño de la invocación y fusionar actualizaciones luego, los equipos pueden adaptar el porción de intercambio de contexto. Este enfoque respalda los flujos de trabajo que van desde agentes totalmente colaborativos hasta módulos de razonamiento aislados, todo mientras aprovecha la sólida orquestación, memoria e infraestructura de papeleo del estado de Langgraph Swarm.
Personalización y extensibilidad
Langgraph Swarm ofrece una amplia flexibilidad para flujos de trabajo personalizados. Los desarrolladores pueden anular la aparejo de transferencia predeterminada, que pasa todos los mensajes y cambia al agente activo, para implementar una deducción especializada, como resumir el contexto o adjuntar metadatos adicionales. Las herramientas personalizadas simplemente devuelven un comando Langgraph para renovar el estado, y los agentes deben estar configurados para manejar esos comandos a través de los tipos de nodos apropiados y las teclas de schema de estado. Más allá de las transferencias, se puede redefinir cómo los agentes comparten o aislar la memoria utilizando los esquemas de estado escrito de Langgraph: mapeo del estado de enjambre universal en campos por agente antaño de la invocación y la fusión de resultados posteriores. Esto permite escenarios en los que un agente mantiene un historial de conversación privado o utiliza un formato de comunicación diferente sin exponer su razonamiento interno. Para el control total, es posible evitar la API de stop nivel y ensamblar manualmente un ‘StateGraph’: agregue cada agente compilado como un nodo, fijar bordes de transición y adjuntar el enrutador de agente activo. Si correctamente la mayoría de los casos de uso se benefician de la simplicidad de ‘create_swarm’ y ‘create_react_agent’, la capacidad de desplegar a las primitivas de Langgraph asegura que los profesionales puedan inspeccionar, ajustar o extender todos los aspectos de la coordinación de múltiples agentes.
Integración y dependencias del ecosistema
Langgraph Swarm se integra estrechamente con Langchain, aprovechando componentes como Langsmith para evaluación, Langchain _openai para el camino al maniquí y langgraph para características de orquestación como persistencia y almacenamiento en gusto. Su diseño descreído maniquí le permite coordinar a los agentes en cualquier backend de LLM (OpenAi, abrazando la cara u otros), y está adecuado tanto en Python (‘Pip Instale Langgraph-Swarm’) como JavaScript/TypeScript (‘@Langchain/Langgraph-Swarm’), lo que lo hace adecuado para la web o los entornos sin servidor. Distribuido bajo la abuso MIT y con crecimiento activo, continúa beneficiándose de las contribuciones y mejoras de la comunidad en el ecosistema Langchain.
Implementación de muestra
A continuación se muestra una configuración mínima de un enjambre de dos agentes:
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.prebuilt import create_react_agent
from langgraph_swarm import create_handoff_tool, create_swarm
model = ChatOpenAI(model="gpt-4o")
# Agent "Alice": math expert
alice = create_react_agent(
model,
(lambda a,b: a+b, create_handoff_tool(agent_name="Bob")),
prompt="You are Alice, an addition specialist.",
name="Alice",
)
# Agent "Bob": pirate persona who defers math to Alice
bob = create_react_agent(
model,
(create_handoff_tool(agent_name="Alice", description="Delegate math to Alice")),
prompt="You are Bob, a playful pirate.",
name="Bob",
)
workflow = create_swarm((alice, bob), default_active_agent="Alice")
app = workflow.compile(checkpointer=InMemorySaver())Aquí, Alice maneja adiciones y puede entregarle a Bob, mientras que Bob asegura juguetonamente, pero deja las preguntas de matemáticas a Alice. El InMemorySaver asegura que el estado de conversación persiste en los turnos.
Casos de uso y aplicaciones
Langgraph Swarm desbloquea la colaboración descubierta de múltiples agentes al permitir que un coordinador central delegue a las sub-tareas a los agentes especializados, ya sea que se triabe emergencias al entregar a los expertos médicos, de seguridad o de respuesta a desastres, enrutamiento de reservas de viajes entre el planeo, el hotel y los agentes de los agentes de la alquila, que orquestan un par de pares de trabajo, entre un agente de revisión de transferencia de automóviles, y se dividen en un agente de revisión de automóviles, y se dividen en un agente de revisión de automóviles, y se dividen en un agente de revisión de automóviles y se dividen, y se dividen en un agente de revisión de automóviles y se dividen, y se dividen en un agente de revisión de automóviles, y se dividen en un agente de revisión de automóviles y se dividen en el revisión de los investigadores de los revisiones de automóviles, y se dividen en el revisión de los investigadores de los revisiones de los revisiones. Tareas de reproducción entre investigadores, reporteros y agentes de control de hechos. Más allá de estos ejemplos, el ámbito puede respaldar bots de apoyo al cliente que enrutan consultas a especialistas departamentales, narración interactiva con agentes de personajes distintos, tuberías científicas con procesadores específicos de la etapa o cualquier tablado en el que dividir el trabajo entre los miembros de los miembros de los «enjambres» de los miembros de la fiabilidad y la claridad. Al mismo tiempo, el enjambre de Langgraph maneja el enrutamiento de mensajes subyacente, la papeleo del estado y las transiciones suaves.
En conclusión, el enjambre de Langgraph marca un brinco cerca de sistemas de IA cooperativos verdaderamente modulares. Múltiples agentes especializados estructurados en un descriptivo dirigido resuelve tareas con las que un solo maniquí lucha, cada agente maneja su experiencia y luego entrega el control sin problemas. Este diseño mantiene a los agentes individuales simples e interpretables, mientras que el enjambre administra colectivamente flujos de trabajo complejos que involucran razonamiento, uso de herramientas y toma de decisiones. Construido en Langchain y Langgraph, la biblioteca aprovecha un ecosistema adulto de LLM, herramientas, tiendas de memoria y utilidades de depuración. Los desarrolladores conservan el control patente sobre las interacciones de los agentes y el intercambio de estados, asegurando la confiabilidad, pero aún aprovechan la flexibilidad de LLM para lanzarse cuándo invocar herramientas o delegar a otro agente.
Mira el Página de Github. Todo el crédito por esta investigación va a los investigadores de este esquema. Por otra parte, siéntete disponible de seguirnos Gorjeo Y no olvides unirte a nuestro 90k+ ml de subreddit.
Sana Hassan, una pasante de consultoría en MarktechPost y estudiante de doble porción en IIT Madras, le apasiona aplicar tecnología e IA para atracar los desafíos del mundo verdadero. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida verdadero.
