做生活的创作者1. 项目概述：分布式AI Agent的优雅编排实践
在构建复杂AI应用时，我们常常面临一个关键挑战：如何将业务逻辑合理地拆分到多个独立服务中，同时保持清晰的流程控制和状态管理。LangGraph的RemoteGraph特性为此提供了一种优雅的解决方案——它允许我们将本地编排逻辑与远程计算能力完美结合，形成职责分明的分布式架构。
这个循环数学引擎项目展示了这种架构的典型实现方式：
- 远程图服务（math_service）专注于核心计算能力：随机选择数学运算和生成随机数
- 本地编排器（math_orchestrator）负责流程控制：决定何时调用远程服务、如何处理结果
- 两种执行模式对比：顺序执行与并行执行，各有其适用场景
这种架构模式特别适合需要组合多个AI能力的场景，比如：
- 需要调用不同大语言模型完成特定子任务
- 将传统业务逻辑与AI能力混合编排
- 构建可扩展的复杂工作流系统
提示：虽然本文以数学运算为例，但同样的架构可以应用于任何需要组合多个独立服务的AI场景。关键在于明确划分本地与远程的职责边界。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 架构设计与核心思路
2.1 整体架构解析
项目的核心架构由两个主要组件构成：
-
远程图服务(math_service)：
- 运行在独立的LangGraph开发服务器上
- 提供两种核心操作：选择运算(pick_operation)和生成数字(generate_number)
- 通过条件路由(action字段)决定处理哪种请求
- 包含简单的认证层确保调用安全
-
本地编排器(math_orchestrator)：
- 作为普通Python脚本运行
- 管理整个工作流的执行流程
- 提供两种实现版本：顺序和并行
- 处理用户交互(当需要手动输入时)
mermaid复制graph TD
A[本地编排器] -->|HTTP调用| B(远程图服务)
B -->|返回运算结果| A
B -->|返回随机数| A
2.2 状态管理设计
状态管理是这类分布式系统的关键考量。本项目采用了清晰的状态划分：
-
远程图状态(MathServiceState)：
- action: 当前请求的操作类型
- operation: 选择的数学运算
- number: 生成的随机数
- manual_input_chance: 请求用户输入的概率
- ask_user: 是否应该询问用户
-
本地编排器状态(OrchestratorState)：
- current_number: 当前计算结果
- operation: 最后选择的运算
- random_number: 最后生成的随机数
- history: 运算历史记录
- manual_input_chance: 手动输入概率配置
这种状态分离确保了：
- 远程服务无需了解完整的业务流程
- 本地编排器保持对整体流程的控制
- 各组件只需维护与自己职责相关的状态
2.3 条件路由机制
远程图服务的核心是其灵活的条件路由系统。它通过检查传入状态的action字段来决定处理流程：
python复制def route_action(state: MathServiceState) -> str:
if state["action"] == "pick_operation":
return "pick_operation"
elif state["action"] == "generate_number":
return "generate_number"
else:
raise ValueError(f"Unknown action: {state['action']}")
这种设计使得单个远程图可以处理多种操作，避免了为每种操作部署独立服务的开销。在实际应用中，这种模式可以扩展为处理数十种不同操作的综合AI服务。