LangGraph案例分享：Build.inc

type

status

date

slug

summary

一、简介

build.inc 是一家为房地产行业构建工作流程自动化代理的公司。目前，他们构建出的智能”工人“正服务于许多商业房地产巨头，帮助他们建设数据中心、能源和物流等。

每一位“工人”由执行特定、较小任务的专业代理网络组成。房地产相关人员可以像顾问一样雇用智能“工人”，能够执行专门的开发流程。通过使用Langgraph编排任务，一个例子是“工人”Dougie在 75 分钟内完成了以前需要人类 4 周才能完成的工作。Dougie主要应用在能源密集型行业的土地尽职调查，研究一块土地以了解它是否适合特定项目的任务。该工人可以在创纪录的时间内自主执行极其复杂的工作流程，其深度和质量即使是最有经验的人工顾问也无法达到。

二、开发生命周期的自动化

Build.inc为基础设施项目建设提供对重复和复杂的开发工作流程的自动化。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，这些流程消耗了近一半的项目总时间，并使开发人员花费数百万美元。

使用传统软件方式有如下的困难：

复杂性和可变性：每个项目都有不同的需求和风险

数据生态系统的碎片化：每个地方都有自己的规范、数据源，很难得到一个通用的解决方案，必须因地制宜

重要的专家流程：每个项目所需的专业知识深度通常超出现成软件可以提供的范围，因此额外的内部团队或外部专业人员非常重要。

因此，一个智能代理能够非常有效地解决这些客户问题，我们可以通过一个代理系统来处理复杂任务。

三、多代理架构

我们先从“工人”（worker）的概念谈起。在build.inc的架构体系中，一位”工人“是一个工作流编排代理（agent）。它能够很好地特定工作流的构成，并且使用大语言模型来编排这些工作流，直到任务完成。这些工作流中包括：调用工具（function call），管理任务，设置这些任务的顺序。

往往一个复杂的目标需要通过多个“工人”，执行多个代理。就像现实世界里的专家团队一样，多智能体系统依赖于合作、协调甚至竞争的智能体，每个智能体都贡献了不同的能力。即使只有一个人，这个人可能也需要身兼数职才能完成一项工作。这就是多代理架构发挥作用的地方。多代理系统使一个代理能够影响另一个代理，将概念延入到下一级代理。这些代理也能够并行运行，并互相沟通来实现复杂目标。

更形象的说法是，一个“工人”由多个代理组成以实现某个特定目标。而一个多阶段的过程——例如房地产开发——由多个“工人”共同协作，一个“工人”的输出可以传递给另一个，直到完成大部分工作。或者，多个“工人”可以并行以进行联合办公。

ㅤ	AI workers 工人	AI Agents 代理
定义	一个为特定、可重复的任务设计的智能系统	能够自动做出决定并且自主完成目标的智能体

四、如何创建一个“工人”

首先，将一个宽泛的工作内容及其目标解构为更小的部分。针对这些小的部分，我们研发特定的代理，让它们能够模拟人类执行这个小任务的行为。然后，我们使用适用于Langgraph的模块化、可组合的结构来重建这个工作流程。

我们知道，AI的上下文是很难被建模或是完全理解的。因此，在这种自动化工作流程中，要成功地使用大模型要求它能够访问以下这些信息：

工作流：一组技能和能力，被组织成更广泛的功能类别，并协调运作以实现更宏大的最终目标。

数据：专业长期知识和特定任务的短期信息（通常是专有或小众数据集）的组合，用于指导工作输出并赋予其深度。

集成/工具：获取用于接入既有系统的合适工具和集成。随后，我们通过模块化、可组合的结构重新构建该工作流程，这种结构非常适合使用 LangGraph 进行开发。这种构建方式确保每个工作单元（及其子代理）都是为其特定职责量身打造的，从而使我们能够为客户提供前所未有的、更高效、更出色的解决方案。

与传统的 SaaS 软件相比，我们产品的改进路径变得更加灵活。我们可以添加新的工人，过渡到新的模型，创建新的代理图，或者扩展现有的代理图，而对已经构建的内容的影响非常小。默认情况下，构建代理是可堆的和模块化的，而不会失去对输出进行精细控制的能力。

五、层级结构

build.inc 采用一个四级的分层系统。第一层是主代理（“the Worker”），负责协调整个工作流，分配具体任务给角色代理（“the Workflows“）。角色代理分别处理一个特定的功能，例如数据收集和风险评估。每个角色代理管理一个或多个流程代理，负责实施具体的工作流。这些工作流可能是一个多步的工作流程，例如包含30个独立任务。这些独立任务由下一层任务代理执行。任务代理配备了最相关的工具、上下文和模型来完成任务，将结果传递回角色代理，直到工作人员将上下文传递给下一个代理。

按顺序运行这些步骤将非常耗时（尽管不像目前手动执行工作流所需的 4 周时间那么耗时）。为此，我们通过 LangGraph 利用异步执行来并行运行多个代理，从而大大缩短了整体处理时间。即使使用并行化，整个过程从头到尾仍然需要超过 75 分钟，从而提供人类团队即使在几周内也无法匹配的输出深度。

六、具体实践

选择哪里可以开放给ai： 在许多情况下，依靠预定义的计划而不是要求代理每次都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。这最终对客户来说是件好事。

根据任务定制代理： 为代理选择特定于每个任务的上下文、模型和工具，而不是强制单个代理适应每个场景。

保持任务足够简单、足够小：

将工作流分解为更小的单一用途任务，使代理更容易高效、准确地执行。使用更加模块化和可组合的系统，使其更易于理解、编辑或扩展。

模块化设计： 将每个代理表示为一个 LangGraph 子图，以创建自洽的模块。这种设计简化了编排和可视化，减少了相互依赖性，使您的系统更易于调试、测试和扩展。

七、智能体代理的未来

build.inc的设想是，通过复杂的编排， 复杂的多层工作流程可以无缝地自动化，从而反映出一个协调一致的组织的效率和结构。这样做是为了房地产开发，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的端到端服务（不仅提供独立的生产力工具），下一代自动化有可能解锁传统上受技术阻力的行业。

我们正在构建一个有形工作输出只需几分钟而不是几周的世界，让 CRE 开发团队能够专注于关系、战略和创造力，而不是日常的手动任务。

通过 LangGraph 的速度和灵活性，Build 正在引领智能 CRE 开发服务，并突破代理可以做的界限。