如何用LangGraph打造Web Research多智能体系统

最近看到Exa这家搜索API公司发布了个挺有意思的产品——一个深度研究智能体。这个智能体能自己在网上找资料，直到找到用户需要的结构化信息为止。

体验地址：https://exa.ai/?ref=blog.langchain.com

今天就来聊聊Exa的工程团队是怎么用LangGraph搭建这套生产级多智能体系统的。现在这套系统每天要处理几百个研究查询，根据问题复杂程度，15秒到3分钟就能给出结构化的研究结果。

主要内容来自：https://blog.langchain.com/exa/,下面是根据理解整理之后的内容

从普通搜索到智能体搜索的进化路径

Exa一开始并不是做智能体的，这是个逐步演进的过程：

三个发展阶段

1. 搜索API阶段：最开始就是提供基础的搜索API服务
2. 问答端点阶段：后来加入了LLM推理能力，能基于搜索结果回答问题
3. 深度研究智能体阶段：现在的产品，真正的智能体驱动搜索API

这个演变其实反映了整个行业的趋势。随着时间推移，LLM应用都在变得越来越"智能体化"，能处理更长时间、更复杂的任务：

• 研究领域：从简单的RAG发展到深度研究
• 编程领域：从代码补全到问答，再到现在的异步长时间编程智能体

框架选择的变化

有趣的是，这个演进过程也改变了团队对工具的选择。Exa团队和LangChain一直有合作（通过开源集成），但之前的问答端点并没用什么特定框架。

当他们开始构建更复杂的深度研究架构时，重新评估了现有选项，最终选择了LangGraph。这其实验证了一个趋势——系统越复杂，LangGraph就越成为首选框架。

多智能体架构设计

Exa的研究智能体完全基于LangGraph构建，采用了一个精巧的多智能体模式：

三大核心组件

1. 规划者（Planner）

• 分析研究查询
• 动态生成多个并行任务

2. 任务单元（Tasks）

• 独立的研究单元
• 能用专门工具进行推理和执行

3. 观察者（Observer）

• 维护全局上下文
• 跟踪规划、推理过程、输出结果和引文

巧妙的上下文管理策略

这套架构最精彩的地方在于上下文管理：

• 观察者：能看到所有组件的活动，保持全局视野
• 任务单元：只能看到其他任务单元清理过的最终输出，看不到中间推理过程

这样既保证了协调性，又避免了信息过载。

动态任务调整

和死板的工作流不同，Exa的系统能根据查询复杂程度动态调整启动的研究任务数量。

每个任务单元会收到：

• 具体任务指令
• 输出格式要求（JSON规范）
• Exa专用API工具的访问权限

这种灵活性让系统既能处理简单的单任务查询，也能应对需要大量并行研究的复杂多面向请求。

设计理念的借鉴与创新

站在巨人肩膀上

Exa的很多设计选择借鉴了Anthropic深度研究系统的经验。Exa团队认真研读了Anthropic的那篇博文，觉得写得很棒，从中获得了不少启发。

独特的创新点

在借鉴基础上，Exa又发展出了一些关键洞见：

搜索摘要vs完整结果的权衡

这是Exa系统最有意思的上下文管理策略之一：

• 先用摘要推理：不会一开始就爬取完整页面内容，而是先基于搜索摘要（snippets）进行推理
• 按需获取全文：只有当摘要推理不够时，智能体才会请求完整内容
• 显著节省Token：这种方法大大减少了Token使用量，同时保持研究质量

结构化输出设计

和很多生成非结构化报告的研究系统不同，Exa的智能体在每个层级都维护结构化的JSON输出，输出格式还能运行时指定。

为什么这么设计？因为Exa把这个系统专门设计为通过API消费的，不是面向消费者的研究工具。作为API使用时，可靠的输出格式就变得非常重要了。

这种结构化输出是通过函数调用（Function Calling）生成的。

LangSmith带来的可观测性优势

对Exa来说，LangSmith最关键的功能是可观测性，特别是Token使用方面的监控。

“LangSmith提供的可观测性——能够理解Token的使用情况——对我们来说真的非常重要。而且它的设置也非常简单。” —— Mark Pekala，Exa软件工程师

关键监控指标

• Token消耗情况
• 缓存命中率
• 推理Token使用情况

这些数据对Exa确定生产环境定价模型以及确保系统在高负载下的成本效益和性能都至关重要。

经验总结

Exa的深度研究智能体案例展示了LangGraph在构建生产级复杂多智能体系统方面的能力。通过LangGraph的协调能力和LangSmith的可观测性特性，Exa构建了一个高效可靠的系统，能处理真实客户查询并交付实际业务价值。

给同行的几点建议

如果在构建类似系统，这里有几个关键经验：

1. 从可观测性入手

Token跟踪和系统可见性对生产部署至关重要，这不是可有可无的功能。

2. 设计可复用性

精心设计的智能体流程能支撑多个产品功能，一次投入多次收益。

3. 优先考虑结构化输出

API调用者需要可靠、可解析的结果，不要让他们去猜输出格式。

4. 动态任务生成

灵活创建任务比僵化的工作流扩展性更好，能适应各种复杂度的需求。

写在最后

随着智能体生态系统的持续发展，Exa的实现方案提供了一个很好的参考案例，展示了如何构建生产就绪的智能体系统并带来切实的商业价值。

这个案例告诉我们，智能体系统已经从概念验证阶段走向了实际商业应用，关键是要在技术可行性和商业价值之间找到平衡点。