每次追 AI 工具的新聞，Multi-Agent 這個詞越來越常出現。但大多數的解釋不是太學術，就是一堆英文術語拼在一起，讀完還是不知道它在解決什麼問題。

這篇文章用一篇文帶你簡單理解：什麼是 AI agent、為什麼要用多個、LangGraph 框架又是什麼東西，以及什麼時候你才真的需要它。

我自己有一套用來自動化內容製作的 multi-agent 系統，整個流程從語音稿到排版上傳全部自動跑，那套系統就是典型的 Multi-agent 架構，文章裡會稍微帶到。

截至本文撰寫時（2026 年 4 月），LangGraph 1.0 已在 2025 年 10 月正式發布，是 Python 生態裡最主流的多agent框架之一。

什麼是「AI agent」？

AI agent決策迴圈示意

Agent 這個詞聽起來很玄，但概念其實很直觀：它就是一個能自己決定下一步要做什麼的 AI。

一般的 AI 用法是你問問題、AI 回答、結束。這是單次問答，AI 本身不會主動採取任何行動。

Agent 不一樣。它有一個決策迴圈：收到任務、思考需要什麼工具、呼叫工具（搜尋、執行程式碼、讀取資料）、看結果、再決定下一步，直到任務完成。

舉個例子：你叫一個 agent「查一下今天比特幣價格，然後換算成台幣告訴我」。它會先呼叫搜尋工具查價格，再呼叫匯率 API 換算，最後整理成一句話給你。整個過程你不需要你告訴它，它會自己跑完。

最簡單的開始方法就是現在最流行的 Claude，還不知道 Claude 是什麼的可以先看 Claude 完整指南這篇文章，Claude 本身就是一個很好的 Agent 起點。

為什麼需要多個 Agent 協作？

單一 LLM 與多agent分工對比

一個 agent 實際上會碰到幾個限制：

Context window 有上限。 一個 AI 每次能處理的文字量是有限的。如果你把所有資訊、所有工具說明、所有任務背景全部塞進同一個 prompt，剩下讓它「思考」的空間就更少了，回答品質自然下降。
一個人很難什麼都精通。 你不會讓同一個人同時負責前端、後端、DevOps 和法律審查，AI 也是一樣。一個專門負責「搜尋最新論文」的 agent 和一個專門負責「把論文內容改寫成社群貼文」的 agent，用完全不同的 prompt 設定，效果會比兩件事都交給同一個通用 agent 好很多。
任務可以平行跑。 多個 agent 可以同時工作，不用等一個做完才開始另一個。

Multi-Agent 架構的常見模式

Supervisor-Worker 多agent架構模式示意

LangGraph Multi-Agent 系統怎麼運作，有幾種常見的模式。

Supervisor-Worker（主管加工人）是最普遍的一種。有一個「主管 agent」負責理解任務、決定交給哪個「工人 agent」、收集結果、再決定下一步。工人 agents 各有專職，不需要知道整體目標，只負責完成被交辦的任務：主管分派，工人執行，主管驗收。
階層式（Hierarchical）是 Supervisor-Worker 的延伸。主管底下有幾個「組長 agent」，每個組長底下再有幾個工人。適合系統規模很大、工作需要二層以上分工的情況。
平等協作（Peer-to-peer）是各個 agent 地位相等，可以互相溝通。適合需要多方討論或共識決策的場景，但協調起來比較複雜。

對大多數應用來說，Supervisor-Worker 是最好上手也最容易維護的選擇。

LangGraph 是什麼：State、Node、Edge 概念

LangGraph StateGraph 核心概念：State、Node、Edge

LangGraph 是 LangChain 推出的框架，專門用來建構上面這類多 agent 系統。它把整個工作流程表達成一張有向圖，讓你明確定義每個 agent 做什麼、任務怎麼在它們之間流動。

理解 LangGraph 三個概念：

State（狀態）是整個系統的共享記憶體。所有 agent 都從這裡讀資料、把結果寫回來。你可以把它想成一張所有人都能看到、也都能在上面寫字的白板。用 Python 的 TypedDict 定義，你的 State 長什麼樣，系統的記憶就有多少。

Node（節點）是每個 agent 的工作單元。每個 node 是一個 Python function，接收當前的 State，執行它的任務，再回傳更新後的 State。Node 只負責自己的事，不需要知道前面或後面是誰。

Edge（邊）定義任務怎麼流動。最簡單的 edge 是固定的：A 做完就到 B。進階一點是「條件 edge」：根據 State 的內容決定下一步去 B 還是 C，或者重新回到 A 再跑一次。這個機制讓 LangGraph 能做到「如果驗證失敗就退回重做」，是它比簡單的線性流程強得多的地方。

用 LangGraph 建一個最小系統

LangGraph 兩個 node 的最小系統流程圖

先安裝：

pip install langgraph langchain-anthropic

一個最精簡的 LangGraph 系統長這樣：

from langgraph.graph import StateGraph, END
from typing import TypedDict

# 1. 定義 State
class MyState(TypedDict):
    user_input: str
    result: str

# 2. 定義 Node（工作單元）
def process_node(state: MyState) -> dict:
    processed = f"已處理：{state['user_input']}"
    return {"result": processed}

def review_node(state: MyState) -> dict:
    reviewed = f"已審核：{state['result']}"
    return {"result": reviewed}

# 3. 組裝
graph = StateGraph(MyState)
graph.add_node("process", process_node)
graph.add_node("review", review_node)
graph.add_edge("process", "review")
graph.add_edge("review", END)
graph.set_entry_point("process")

app = graph.compile()

# 4. 執行
output = app.invoke({"user_input": "測試一下", "result": ""})
print(output["result"])  # 已審核：已處理：測試一下

這個例子有兩個 node：process 先處理輸入，review 再審核結果，最後結束。State 就是帶著 user_input 和 result 的字典，兩個 node 共用它。

真實的系統會在 node 裡面呼叫 LLM、加入條件 edge 決定要不要重試、或者加入人工確認步驟。但骨架跟上面一樣，就是 State → Nodes → Edges。

其他框架比較

LangGraph vs CrewAI vs AutoGen vs Claude SDK 框架比較

除了 LangGraph，常見的選項還有 CrewAI、AutoGen 和 Anthropic 的 Claude Agent SDK。

CrewAI 上手最快，適合快速做 prototype 或五個 agent 以內的小系統。它用「角色」的概念組織 agent：每個 agent 有名字、目標、背景故事，讀起來很直觀。缺點是擴充性有限，超過一定規模就難以維護，自訂流程控制也比 LangGraph 弱很多。適合想快速建立 multi-agent 的人。→ CrewAI 文件

AutoGen（Microsoft） 適合「多方討論」的場景，agent 之間用對話形式互動，像在模擬一場會議。適合需要多輪 AI 辯論或協作撰寫的場景。但每多一個 agent 就多一倍的 LLM 呼叫，成本和速度都不理想；流程控制也比 LangGraph 難以預測。→ AutoGen GitHub

Claude Agent SDK 是 Anthropic 在 2025 年 9 月推出的，跟 Claude 模型整合最緊密，適合純 Claude 技術棧、工具導向的場景。它的設計重點是讓 Claude 直接使用工具（檔案讀寫、執行命令、呼叫 API），比較像是一個 Claude-native 的 agent 執行環境，而不是一個通用 multi-agent 框架。不支援跨模型，也沒有 LangGraph 那樣細緻的流程控制。

LangGraph 是這四個裡面學習曲線最陡、但彈性最高的。它在生產環境的設計重點是 checkpointing（中途存檔、斷點繼續）、time-travel debugging（回放任何時間點的狀態）和人工審核節點，這些對真正要上線的系統來說很實用。→ LangGraph GitHub

最簡單的選法是先試 CrewAI，等你覺得架構變複雜了，再換 LangGraph 也可以。

常見問題

Multi-agent 系統一定要用框架嗎？

不一定。用純 Python 自己寫 agent 迴圈完全可行，特別是簡單的系統。框架的好處是省掉重複造輪子的時間，以及提供狀態管理、錯誤處理、logging 這類基礎設施。

LangGraph 一定要搭配 LangChain 嗎？

不一定。LangGraph 可以獨立使用，你可以在 node 裡直接呼叫 Anthropic SDK 或 OpenAI SDK，不需要用 LangChain 的其他元件。

Multi-agent 系統比單一 LLM 一定比較好嗎？

不一定。多 agent 增加了系統複雜度和 LLM 呼叫次數（也就是費用）。如果你的任務用一個好的 prompt 就能解決，不需要用 agent。Multi-agent 的價值在於任務複雜、需要專門分工、或需要明確工作流程的情況。

LangGraph 支援 Claude 嗎？

支援。用 langchain-anthropic 套件就可以在 node 裡呼叫 Claude 模型，和使用 OpenAI 一樣簡單。

總結

LangGraph 多agent架構的核心概念很直觀：把一個複雜任務拆給多個各有專長的 AI 去分工，用一個協調機制（通常是主管 agent）讓整個流程跑起來。

LangGraph 提供了一個結構化的方式來表達這種工作流程，用 State 管理共享記憶、用 Node 定義每個 agent 的工作、用 Edge 決定任務怎麼流動。你可以直接複製我上面那兩個 node 的例子，加上你自己的 LLM 呼叫和工具試試看。