编者按：这是一篇来自我们在 Build.inc 朋友的客座博文。他们构建了我们见过的最复杂的多智能体工作流程之一 - 拥有超过 25 个子智能体。查看他们的图表截图，了解其复杂性。他们还分享了从构建智能体中获得的实践经验，我们认为这些经验对其他智能体构建者很有帮助。
Build.inc 正在突破智能体系统的界限，以自动化建筑世界中人工和劳动密集型的工作流程。我们的第一个“工作者”现已投入生产，服务于商业房地产 (CRE) 领域的行业巨头，目标是数据中心开发及其他领域。
我们的工作者由执行特定、较小任务的专业智能体网络组成。房地产利益相关者可以像聘请顾问一样聘请我们的专业工作者，让他们能够执行专业的开发流程。通过 LangGraph 编排这些智能体，我们的第一个工作者 Dougie 在 75 分钟内完成了以前人类需要四个多星期才能完成的工作，从而加速了世界上最关键的房地产项目，包括数据中心、能源和物流。
对于 Dougie 来说，用例是能源密集型产业的土地尽职调查。想想从数据中心到太阳能发电场的一切。这是研究一块土地以了解其是否适合特定项目的任务。此工作流程对我们的客户至关重要，因为做出正确的决定具有下游效应，如果处理不当，将使他们损失数百万美元。LangGraph 对我们如此有吸引力的编排层的原因之一是，我们可以自主地在创纪录的时间内执行极其复杂的工作流程，并达到即使是最有经验的人工顾问也无法达到的深度和质量。
概述：开发生命周期的自动化
Build.inc 专注于为世界上最重要的基础设施项目（目前是数据中心、可再生能源、小型模块化反应堆）自动化重复且复杂的开发工作流程。这些工作流程通常成本高昂、执行时间长，并且由专业的顾问团队执行。这意味着在项目进入施工阶段之前，这些工作流程几乎消耗了项目总时间表的一半，并使开发商损失数百万美元。
由于以下几个原因，使用传统软件解决此问题通常很困难
- 复杂性和可变性 – 每个项目都有其独特的 requirements 和风险。
- 碎片化的数据生态系统 – 仅在美国，就有超过 30,000 个司法管辖区，每个司法管辖区都有自己的法规和数据源，这使得通用解决方案变得困难。
- 高风险的专业工作流程 – 每个项目所需的专业知识深度通常超出开箱即用软件所能提供的范围，使得内部团队或外部专业人员成为更可行的选择。
因此，在 Build，我们采用智能体优先的方法来解决客户的问题，以一种新颖的方式处理智能体系统，以执行复杂、精细的工作流程。
为了受众的利益，我们将本文的其余部分重点放在我们在应用 AI 前沿构建的经验上，而不是我们为客户所做工作的具体细节上。
拥抱多智能体架构以应对复杂性
为了理解用于确定性输出的多智能体系统，我们从“工作者”的概念开始。在 Build，我们将工作者定义为一个编排智能体，它了解特定工作流程的构成，并使用 LLM 来编排该工作流程直至完成：调用工具、管理任务以及设置这些任务展开的顺序。
然而，需要复杂结果的目标（例如我们为客户交付的目标）需要通过多个智能体执行的工作者。正如现实世界的项目需要专家团队一样，多智能体系统依赖于协作、协调甚至竞争的智能体，每个智能体都贡献独特的能力。
即使在一个人的工作中，通常也需要个人身兼数职才能完成工作。这就是多智能体架构的用武之地。多智能体系统使一个智能体能够启动另一个智能体——将概念扩展到更高层次的智能性，智能体并行运行并积极相互影响，以实现更复杂的目标。
更进一步抽象，正如一个工作者由多个智能体组成以实现结果一样，一个多阶段过程（例如房地产开发）由多个工作者组成，其中一个工作者的输出可以传递给另一个工作者，直到完成大量工作。或者工作者可以并行运行以协同执行。
如何构建工作者？
在 Build.inc，我们将广泛的工作活动（通常具有确定性的最终目标）分解为更小的部分，以开发在数字上类似于人类如何实际执行该工作的智能体。然后，我们通过适合使用 LangGraph 开发的模块化、可组合结构来重现该工作流程。我们认为，AI 的“暗物质”是上下文。它很少被直接建模或完全理解。在自动化工作流程的框架中，LLM 的成功使用归结为访问三件事：
- 工作流程：技能和能力的集合，组织成更广泛的功能类别，经过编排以实现更大的最终目标。
- 数据：专业长期知识和特定于任务的短期信息（通常是专有或利基数据集）的组合，以指导工作输出并赋予其深度。
- 集成/工具：访问正确的工具和集成以执行到已建立的系统中。然后，我们通过非常适合使用 LangGraph 开发的模块化、可组合结构来重现该工作流程。该剧本确保每个工作者（及其子智能体）都是专门构建的，以擅长其指定的职责，并且我们可以为客户提供比他们以前见过的任何解决方案更好、更快的解决方案。
我们产品演进的路径变得比传统的 SaaS 软件更加灵活。我们可以添加新的工作者，过渡到新的模型，创建新的智能体图，或扩展现有的智能体图，而对已构建的内容几乎没有影响。Build 智能体默认是可组合和模块化的，同时又不会失去对输出进行精细控制的能力。
构建智能体层级结构
Build.inc 在四层层级系统中编排超过 25 个子智能体任务。这种编排是人类工作等效组织的数字表示。顶层是主智能体——“工作者”——它协调整个工作流程并将任务委派给角色智能体——“工作流程”——角色智能体处理数据收集或风险评估等专门功能。每个角色智能体管理一个或多个序列智能体，这些序列智能体执行工作流程——多步骤流程，可以涉及由任务智能体执行的最多 30 个单独任务。任务智能体配备了最相关的工具、上下文和模型来完成任务，并将结果传递回角色智能体，直到工作者将上下文传递给下一个智能体。
按顺序运行这些步骤将非常耗时（虽然没有目前手动执行工作流程所需的四个星期那么耗时）。为此，我们利用 LangGraph 的异步执行来并行运行多个智能体，从而大大缩短了总体处理时间。即使进行并行化，整个过程仍然需要 75 分钟以上才能完成——输出的深度水平是人类团队即使花费数周也无法比拟的。
构建智能体的实践经验
1. 选择在何处保持开放式和非确定性
与人类劳动一样，让工作任务保持开放式通常会导致 智能体无需对每个步骤中做出的决策拥有完全自主权。在许多情况下，依赖预定义的计划而不是每次都要求智能体生成一个计划，可以减少不必要的复杂性，并带来更可预测的结果。这最终对客户来说非常有利。
2. 根据任务定制智能体
在上述基础上，每个智能体在专门化时表现最佳。“训练”智能体本质上可以是在 JSON 文件中为其提供正确的护栏。选择特定于每个任务的上下文、模型和工具，而不是强迫单个智能体适应每种情况。
3. 保持任务简单和小巧
将工作流程分解为更小的、单一用途的任务，使智能体更容易高效准确地执行。它还允许构建更模块化和可组合的系统，该系统更容易理解、编辑或扩展。您链接的越多，您遇到的痛苦就越少。
4) 模块化设计
将每个智能体表示为其自己的 LangGraph 子图，以创建独立的模块。这种设计简化了编排和可视化，减少了相互依赖性，并使您的系统更易于调试、测试和扩展。
智能体化的未来
在 Build.inc，我们展望一个未来，复杂、多层次的工作流程通过精密的编排无缝自动化，反映了良好协作的组织的效率和结构。我们为房地产开发做到这一点，但我们相信这种模式将扩展到专注于所有类型专业服务的组织。
通过拥有整个流程并提供完全集成、端到端的服务——而不仅仅是提供独立的生产力工具——下一代自动化有可能解锁传统上对技术有抵触的行业。
我们正在构建一个有形工作成果只需几分钟而不是几周的世界，解放 CRE 开发团队，让他们专注于关系、战略和创造力，而不是例行公事和手动任务。
通过 LangGraph 的速度和灵活性，Build 正在引领自主 CRE 开发服务类别，并突破智能体可以做的事情的界限。