使用 LangGraph 构建数据库运维多智能体系统

系统构建背景

在数据库运维场景中，往往需要同时承载实时状态监控、线上故障定位排查、系统性能分析与优化诊断等多项复杂工作。面对这类多任务、多流程、步骤嵌套的复杂业务场景，单智能体架构存在能力局限，难以同时兼顾任务拆解、精准执行、流程串联与结果输出，无法满足规模化、高复杂度的运维工作需求。

基于此，本文依托 LangGraph 框架搭建多智能体协同运维体系。通过职责拆分的方式，将繁杂的数据库运维工作拆解为多个专精型智能体，并由统一的调度管理智能体完成全局统筹、任务分发与流程管控，以此构建一套高可控、高效率、可横向扩展的数据库智能运维系统。

1.1 多智能体角色分工设计

系统采用分工协作的模块化智能体设计，不同智能体各司其职、相互配合，整体分为数据运维、报告生成、全局调度三类核心角色，具体职责如下：

数据库运维智能体（dbhub）

专注承担数据库底层运维数据采集与基础运维操作。主要负责实时拉取数据库核心运行指标，包含数据库连接数、慢查询日志、表空间占用率、缓存命中率等关键监控数据，同时支持执行常规、安全的数据库运维指令，为上层分析与报告提供原始数据支撑。

运维报告智能体（report）

依托数据库运维智能体采集的全量指标数据，完成数据整理、分析归纳与内容输出。可自动生成结构化运维成果，支持纯文本、Markdown、JSON 等多种格式的运维报告，并结合当前数据库运行状态，输出针对性的性能优化、风险规避与运维调优建议。

全局调度智能体（supervisor）

作为整个多智能体系统的核心中枢，负责接收用户自然语言运维指令，自主完成任务解析、智能体选择、参数下发与流程编排。可根据业务需求串联多阶段任务，例如先调用运维智能体采集数据，再触发报告智能体生成分析文档，同时实时判断任务执行状态，确认流程是否完成、是否需要迭代执行或直接结束任务。

整套系统基于 LangGraph 构建有向任务流转图谱，通过统一全局状态实现多智能体之间的数据互通与任务流转。以 Supervisor 调度节点为核心中枢，根据实时任务状态动态决策下一步执行逻辑，智能调度 DB 运维智能体、报告生成智能体开展对应工作，或判定任务完结、终止流程，实现数据库运维全流程自动化、智能化闭环。

1.2 环境准备与依赖

创建虚拟环境并安装依赖：

pip install langgraph langchain langchain-openai fastapi uvicorn python-dotenv

构建过程

2.1 实现状态模型（State）

状态是整个多智能体系统的核心数据结构。我们需要存储对话历史、中间结果、当前任务、报告内容等。

2.2 模拟数据库运维工具

创建一个模拟的数据库状态类，提供常用的运维指标查询功能。可以将其替换为真实的数据库连接。

2.3 定义节点

1.DB Assistant 节点

负责执行数据库操作，将结果存入 state["db_data"]。这里支持两种模式：获取指标或执行维护命令。

DB Assistant 节点首先读取用户查询，根据关键词决定执行哪种数据库操作。实际操作中可以使用 LangChain 的工具调用（Tool Calling）让 LLM 选择函数。这里用简单的条件判断演示，重点展示状态流转。完成后将 next_agent 设为 supervisor，控制权交还给调度器。

2.Report Assistant 节点

基于 state["db_data"] 生成格式化报告，支持 Markdown 格式。

报告节点不直接与用户交互，而是纯数据处理。它读取 state["db_data"]，构造一个 Markdown 报告，并存入 state["report"]。

3.Supervisor 节点（核心调度器）

Supervisor 是整个系统的“大脑”。分析当前状态（包括用户查询和历史对话）决定下一步调用哪个智能体或结束流程。

Supervisor 节点读取 user_query 和已有的 db_data/report，判断下一步动作。当使用 LLM 时，构造一个包含上下文的提示，让模型选择智能体。

2.4 构建 LangGraph 工作流

把节点和边组合起来，形成多智能体协作图。

add_conditional_edges 让 supervisor 根据路由函数跳转到不同智能体。每个智能体执行完毕后，通过 add_edge 强制返回 supervisor，形成闭环，直到 supervisor 决策 END 终止。

2.5 部署为 FastAPI 应用

为了能够直接对外服务，使用 FastAPI 封装一个 /chat 端点，接收用户查询并返回最终结果。

2.6 运行示例

将以上所有代码块按顺序合并到一个文件（如 db_multi_agent.py）中，安装依赖后运行。

下面是交互式命令行测试的辅助函数：