在 GitHub 查看原文

Lesson 09 练习 — 毕业项目：多智能体研究系统

这是 36 课的收官练习。重点是"综合应用"和"打磨成简历作品"。

练习 1：追踪并行研究流程（关键概念，5 分钟）

运行 code.py 的实验 1，观察输出。回答：

1. [并行研究-split] 拆出了几个子问题？
2. [并行研究-researcher] ✓ 完成一个子问题 打印了几次？它们是同时完成的还是一个个的？
3. [并行研究-summarize] 是在所有 researcher 完成后才出现的吗？
4. 最终生成了多少字的报告？有几个并行研究发现？

这道题帮你确认"多 Agent 真的并行了"——不是串行假并行。

练习 2：验证 Checkpointer 记忆（核心机制，5 分钟）

运行实验 2，回答：

1. 追问"基于刚才的研究"时，系统知道"刚才的研究"是什么吗？
2. 如果用不同的 thread_id（如 research-2）追问，还能记住吗？为什么？

实验：把实验 2 的 thread_id 改成 "research-2"，看是否还能记住实验 1 的内容。

这就是 Checkpointer 的核心：同 thread_id = 记忆延续；不同 thread_id = 互相隔离。

练习 3：接入真实搜索（进阶，20 分钟）

本课的 researcher 用 LLM 直接回答（模拟数据）。参考 Agent L09 的 web_search 工具，让 researcher 真正联网搜索。

提示： 1. 从 agent-lessons/09_capstone/code.py 复制 web_search 函数（用 DuckDuckGo） 2. 在 researcher 节点里调用 web_search(subtopic) 获取真实搜索结果 3. 把搜索结果（而不是 LLM 回答）作为 finding 写入

观察：接入真实搜索后，研究报告的内容是不是更真实、更有时效性？

这是把毕业项目从"演示级"升级到"准生产级"的关键一步。架构不用改，只换 researcher 的实现——模块化的好处。

练习 4：加一个"审查"节点（15 分钟）

在 writer 之后加一个 reviewer 节点（用 glm-4），审查报告质量。如果不合格，回传 writer 重写。

要求： 1. 加 reviewer 节点：读 report，判断是否合格（输出 "PASS" 或 "REWORK: 原因"） 2. 加条件边：PASS → END；REWORK → 回 writer（带审查意见） 3. 设最大重写次数（防无限循环）

这综合了 L01（条件路由）+ L05（共享 State 传审查意见）+ Agent L08（审查回环）。

练习 5：对比三个毕业项目（认知总结，10 分钟）

打开三个毕业项目的 code.py，对比填写：

这道题帮你建立"同一问题不同复杂度方案"的认知——从单 Agent 到多 Agent，不是"越复杂越好"，而是"按需选择"。

思考题（不写代码）

1. 这个系统如果要部署成 Web 服务（用户通过浏览器使用），还需要什么？ 提示：FastAPI 包装 + 流式输出 + 前端界面（这正是当初备选的"AI 应用工程化"课程内容）。

2. 如果研究的子问题不是 3 个而是 20 个，架构要怎么调整？ 提示：并行度太高会打爆 API（QPS 限制），需要加并发控制（信号量/队列）。

3. 36 课学完，你觉得最有价值的是哪三门课？为什么？ 提示：没有标准答案，重点是反思自己的学习收获。

完成标志

• [ ] 确认了多 Agent 真的并行（3 个 researcher 同时完成）
• [ ] 验证了 Checkpointer 跨轮记忆（同 thread_id 记住）
• [ ] 理解了 7 项综合技术（supervisor/子图/并行/State/多模型/Checkpointer/Mermaid）
• [ ] 能说清三个毕业项目的演进（单Agent→单Agent图→多Agent并行）
• [ ] 能把这个项目写进简历 🎓

🎓 36 课全部完成！

你完成了从零到多智能体架构师的完整学习路径： - 📘 RAG 手写 9 课 + 🤖 Agent 手写 9 课 + 🔧 框架进阶 9 课 + 🔀 多智能体编排 9 课 = 36 课 - 4 个毕业项目，从单 Agent 串行到多 Agent 并行协作 - 三框架横向对比（LangGraph / CrewAI / AutoGen）

下一步：把这个代码库整理成 GitHub Portfolio，开始投简历。你值得一个 AI 应用开发的 offer 💪