LangGraph与Python的多智能体协作框架在信贷审批自动化中实践｜附完整代码教程

在此对Wei Chen对本文所作的贡献表示诚挚感谢，他是一名AI/机器学习工程师，专注人工智能领域。擅长大语言模型、AI、自然语言处理和机器智能。

作为数据科学家，我们经常面临一个两难：复杂的业务规则需要严谨的流程，而单一模型或Agent试图包揽所有任务时，往往会“捡了芝麻丢了西瓜”。我曾在一个信贷审批项目中亲眼目睹，一个全能的AI Agent在数据录入、风险筛查、最终决策三线作战中频繁丢失上下文、跳过关键步骤，导致审批结果难以追溯。客户问我们：“你们的数据科学解决方案，能像我们最优秀的信贷主管那样，带着团队有序工作吗？”

正是这个需求催生了我们今天要分享的模式——监督者智能体（Supervisor Agent）。它不直接处理任务，而是像团队负责人一样，将复杂流程拆解为子任务，分派给多个专用智能体，并确保每一步的质量与顺序。

本文以信贷审批为例，用LangGraph搭建一个由数据录入员、风险政策核对员、信贷决策员组成的“AI信贷团队”，并让一个监督者来管理他们。你会发现，这种架构不仅让决策过程透明可追溯，还能在复杂的业务场景中大幅提升可靠性。

想象一下，让一位刚入职的信贷员独自完成数据录入、风险筛查和最终决策——他很可能手忙脚乱，漏掉关键信息。同样的，让一个单一的AI Agent处理多阶段复杂工作流，也容易出现上下文丢失、步骤跳跃、推理链断裂等问题。在金融、医疗等高风险领域，这些错误可能带来严重后果。

监督者模式正是为了解决这一痛点而诞生。它不再是一个任务执行者，而是一个组织者，负责协调多个专用智能体完成复杂任务。其核心职责包括：

• 任务分解与分派：将用户请求拆解为逻辑子任务，并分发给最合适的智能体。
• 流程编排：严格执行操作顺序，比如信贷审批必须先取数据、再查政策、最后做决定。
• 质量控制：在每个智能体执行后检查其输出是否符合规范，不合规则要求重做。
• 结果整合：汇总所有智能体的输出，生成连贯、清晰的最终结论。

这种设计带来的好处是显而易见的：每个智能体只需关注单一职责，逻辑简单且性能稳定；整个系统易于调试、扩展和维护。下文我们将通过一个具体的信贷审批自动化案例，手把手搭建这样一个“AI团队”。

我们将构建一个自动初审贷款申请的系统。输入一个申请人ID，系统根据内置风险政策评估该申请人，并给出明确的下一步建议。团队由以下成员组成：

1. 数据录入智能体：前台专员，负责获取申请人财务信息并生成摘要。
2. 风险政策核对智能体：分析师，将申请人信息与预设的信贷标准进行匹配。
3. 信贷决策智能体：决策者，根据前两者输出给出最终建议（批准/拒绝/需补充材料）。
4. 监督者智能体：团队主管，把控整个工作流，确保各环节顺序执行并检查输出完整性。

相关文章

DeepSeek 教程

第一步：安装依赖

我们将基于LangChain、LangGraph和OpenAI构建系统。LangGraph是专门用于创建有状态多智能体工作流的库。

第二步：配置API密钥与环境

设置OpenAI API密钥以驱动语言模型。

第三步：导入所需模块

第四步：定义业务逻辑——模拟数据集

为了让示例自包含，我们创建几个简单的内存数据集，代表风险政策、贷款建议和申请人记录。

第五步：为智能体打造工具

每个智能体都需要一些“设备”来与数据交互。我们定义几个工具函数，并用装饰，这样LLM就可以在需要时调用它们。

第六步：实现专用智能体（团队成员）

我们创建三个专用智能体，每个都有极其狭窄的职责和严格的输出格式要求。注意代码中的变量名已做修改，注释也翻译成了中文。

第七步：监督者智能体——团队大脑

监督者负责读取所有消息，根据预定义顺序决定下一步该派哪个智能体执行，并检查输出完整性。

第八步：定义图节点函数

这些函数将智能体包装为LangGraph节点，执行后自动返回监督者。

第九步：构建并可视化工作流图

若安装了可视化库，可以生成如下流程图：

第十步：运行系统并观察输出

我们以申请人A101为例，让监督者带领团队完成一次审批。

运行过程分析：

1. 监督者 → 数据录入智能体：发起任务。
2. 数据录入智能体输出：调用工具获取A101记录，生成清晰的财务摘要。
3. 监督者 → 风险政策核对智能体：确认数据录入完成，移交下一步。
4. 风险政策核对智能体输出：识别出A101匹配“低风险”住房贷款政策，所有条件均满足。
5. 监督者 → 信贷决策智能体：继续推进。
6. 信贷决策智能体输出：根据低风险类别，建议自动批准。
7. 监督者 → 结束：所有智能体均已完成且输出完整，监督者生成最终汇总报告。

最终输出清晰易懂。

通过引入监督者智能体，我们将一个容易出错的单一AI流程转变为一个可预测、稳健且可审计的多智能体协作系统。相比单个Agent试图同时处理数据录入、风险分析和决策，监督者模式让每个智能体职责单一，流程强制有序，不仅降低了开发复杂度，更提升了结果的可靠性。这种方法论不仅适用于信贷审批，还可推广至客户服务、合同审查、医疗分诊等任何需要多步骤、多角色协作的复杂业务场景。下一次当你面对复杂任务时，不妨考虑组建一个“AI团队”，并为他们配备一位尽职的监督者。

问：监督者模式的主要优势是什么？
答：可靠性和模块化。通过将复杂任务拆分为多个由专用智能体处理的子任务，系统更易于构建、调试和维护，输出结果更稳定、一致。

问：监督者能否纠正某个智能体的错误？
答：可以。当前设计中，当监督者发现智能体输出不完整时，会要求同一智能体重做。更高级的实现可引入错误修正逻辑或要求其他智能体提供“第二意见”。

问：这种模式只适用于复杂流程吗？
答：它在复杂流程中优势最明显，但即便只有两三个步骤，监督者模式也能让AI的推理过程更透明、更可控，方便审计和解释。

完整代码及数据集已上传至交流社群，进群可获取更多AI实战教程与行业洞察，与900+同行交流共进！