首页/课程四 · 工作流与多智能体编排/多模型路由与网络拓扑（LangGraph 段收官）

本页目录

一、先回顾：你 Agent L08 用了几个模型？
二、第一部分：四种网络拓扑总览
三、第二部分：多模型路由（降本核心）
四、成本对比（直觉）
五、前 6 课全景回顾（LangGraph 段完成）
六、本课代码
七、小结 & 下节预告

Lesson 06 — 多模型路由与网络拓扑（LangGraph 段收官）

本课定位：这是 LangGraph 主干段（L01-L06）的收官课。做两件事：① 把前 5 课学的拓扑做系统总览（星型/网状/层级/流水线）；② 引入多模型路由——不同 Agent 用不同模型，在保证质量的前提下大幅降本。这是 Agent L08 没有的概念（全程单一模型）。

映射的手写课：agent-lessons/08_multi_agent（全程用同一个 CHAT_MODEL，没有按角色选模型的意识）。

收官的前序课：L01-L05 全部（本课把它们的拓扑归类总览）。

一、先回顾：你 Agent L08 用了几个模型？

打开 agent-lessons/08_multi_agent/code.py：

CHAT_MODEL = "glm-4"  # ← 规划者、执行者、审查者全部用它

planner、executor、reviewer 三个 Agent 全用 glm-4。这有个浪费：

Agent	干的活	真的需要 glm-4 吗？
planner	拆任务	需要（规划要聪明）
executor	调工具执行	不需要（执行简单，glm-4-flash 够）
reviewer	审查质量	需要（判断要准）

executor 用 glm-4 是浪费——它的活简单，glm-4-flash（免费）就能干。多模型路由就是解决这个问题：让每个 Agent 用最适合自己的模型。

二、第一部分：四种网络拓扑总览

前 5 课学了各种拓扑，本课把它们归类到四种经典网络拓扑：

① 星型（Star / Hub-and-Spoke）— L01 Supervisor

        ┌──────────┐
        │supervisor│
        └──┬─┬─┬───┘
           │ │ │
     ┌─────┘ │ └─────┐
     ▼       ▼       ▼
  worker   worker  worker

特点：中心调度，worker 只跟中心通信
本课对应：L01 create_supervisor
适合：流程不可预测，需中心动态决策

② 网状（Mesh）— L02 Swarm

  ┌────────┐
  │agent A │──┐
  └────┬───┘  │
       │  ┌───▼────┐
       └──│agent B │
          └───┬────┘
              │
          ┌───▼────┐
          │agent C │
          └────────┘

特点：Agent 间直接 handoff，无中心
本课对应：L02 create_swarm
适合：流程相对固定，Agent 各知下一步（客服）

③ 层级（Hierarchy）— L01 + L03 子图

      ┌──────────┐
      │ 顶层 supv │
      └──┬───┬───┘
         │   │
    ┌────▼┐ ┌▼────┐
    │子图1│ │子图2│   （内部各有拓扑）
    └─────┘ └─────┘

特点：多层调度，大系统分而治之
本课对应：L01 supervisor + L03 子图
适合：Agent 数量多，需分组管理

④ 流水线（Pipeline）— L04 并行 / 手写 L08

START → A → B → C → END      （串行流水线）
       或
START → split → [worker, worker, worker] → reduce → END  （并行 map-reduce）

特点：固定顺序或并行，无动态路由
本课对应：L04 Send map-reduce / 手写 L08 的 for 循环
适合：流程确定，步骤明确

真实系统是混合拓扑

顶层：层级（按部门分）
  ├── 客服部：星型（supervisor 调度）
  │     └── 退款/售后/投诉（worker）
  ├── 研究部：并行 map-reduce（多研究员并行）
  └── 数据部：流水线（ETL 固定步骤）

💡 架构师思维：没有"最好的拓扑"，只有"最适合场景的拓扑"。选型依据：流程是否可预测、Agent 数量、延迟/成本要求。

三、第二部分：多模型路由（降本核心）

为什么要多模型？

模型	特点	适合	成本
glm-4	聪明、推理强	决策、路由、审查、创作	💰 收费
glm-4-flash	快、够用	执行、查资料、简单转换	🆓 免费

洞察：在一个多 Agent 系统里： - 决策类（supervisor 路由、reviewer 审查）次数少但关键——用 glm-4 - 执行类（researcher 查资料、worker 转换）次数多但简单——用 glm-4-flash

这样决策质量不降，执行成本≈0。

怎么实现？

# 两个 LLM 实例
smart_llm = ChatZhipuAI(model="glm-4", api_key=api_key)        # 决策用
fast_llm = ChatZhipuAI(model="glm-4-flash", api_key=api_key)   # 执行用

# worker 用 fast（执行便宜）
researcher = create_agent(fast_llm, tools=[], name="researcher", ...)

# supervisor 用 smart（决策要准）
supervisor = create_supervisor(
    agents=[researcher, ...],
    model=smart_llm,  # ⭐ 只有 supervisor 用贵的
)

就这么简单——不同 Agent 传不同的 llm 实例。LangGraph 完全支持同一个图里多个 LLM 实例协作。

差异化模型（进阶）

不仅 supervisor 和 worker 可以不同，不同 worker 也可以用不同模型：

researcher = create_agent(fast_llm, ...)    # 查资料：速度优先（flash）
writer = create_agent(smart_llm, ...)       # 写文案：质量优先（glm-4）

按任务特点选模型：查资料要快（flash），写文案要好（glm-4）。

四、成本对比（直觉）

假设一个研究任务跑 5 次 LLM：

方案	supervisor	worker×4	总成本
全 glm-4（前 5 课）	glm-4 ×1	glm-4 ×4	5 × 收费
多模型路由	glm-4 ×1	flash ×4	1 × 收费 + 0（执行免费）

省了 80% 的收费调用。而且决策质量不变（supervisor 还是 glm-4）。

⚠️ 注意：glm-4-flash 在复杂推理上不如 glm-4。如果你的 worker 做的是复杂分析（不是简单查资料），可能还是得用 glm-4。多模型路由的前提是"执行类任务 flash 能胜任"。

五、前 6 课全景回顾（LangGraph 段完成）

课	核心概念	关键 API
L01	星型拓扑（supervisor）	`create_supervisor`
L02	网状拓扑（swarm + handoff）	`create_swarm` + `create_handoff_tool`
L03	层级（子图模块化）	`add_node(name, compiled_graph)`
L04	并行（map-reduce）	`Send` + `operator.add` reducer
L05	通信（消息/State/黑板）	`Annotated[list, reducer]`
L06	多模型路由 + 拓扑总览	多 LLM 实例

学完这 6 课，你掌握了 LangGraph 多智能体的全部核心架构能力：能搭 supervisor/swarm、能模块化（子图）、能并行（map-reduce）、能通信（共享 State/黑板）、能降本（多模型）。

六、本课代码

code.py 三个实验：

实验 1（拓扑总览）：打印四种拓扑的 ASCII 图 + 对比表，系统回顾前 5 课
实验 2（多模型路由）：supervisor(glm-4) + worker(glm-4-flash)，消息流标注每个 agent 的模型
实验 3（层级差异化）：researcher(flash 查资料) + writer(glm-4 写文案)，按任务特点选模型

python workflow-lessons/06_multimodel_routing/code.py

七、小结 & 下节预告

✅ 本课要点： - 四种拓扑总览：星型(L01)/网状(L02)/层级(L01+L03)/流水线(L04) - 多模型路由：supervisor 用 glm-4（决策），worker 用 glm-4-flash（执行免费） - 差异化模型：不同 worker 按任务特点选模型（查资料用快，写作用贵） - 降本逻辑：决策次数少（贵），执行次数多（免费），整体成本大降 - 真实系统是混合拓扑：顶层层级 + 中层星型 + 底层流水线

🔜 下节预告（L07 — CrewAI 对比）： LangGraph 段（L01-L06）全部完成！接下来进入横向框架对比段。L07 用 CrewAI 重写同样的多 Agent 系统，对比两种范式：LangGraph 的「节点+边」命令式图 vs CrewAI 的「角色+任务」声明式编队。看清两种范式的取舍。

⚠️ 清醒认知：多模型路由的前提是你清楚每个模型的"能力边界"。glm-4-flash 在简单任务上够用，但复杂推理会翻车。生产环境建议先测试 fast 模型在你的具体执行任务上是否合格，再决定是否用它。盲目省钱可能导致 worker 输出质量下降——而 supervisor 可能发现不了（它只看结果不看过程）。