LangGraph+MCP+RAG：企业级医疗多智能体实战解析

在大模型落地进入深水区的当下，如何把 LangGraph、MCP、RAG 这些主流技术串成一个真正能跑通的企业级项目，成了很多开发者关心的核心问题。B站UP主楼兰老师在一期实战课程中，以医疗行业为背景，完整演示了从行业分析到多智能体构建的全过程。

为什么医疗行业适合作为Agent实战场景

医疗行业天然具备复杂流程、多角色协作和严格合规要求，这恰好是检验多智能体系统能力的理想土壤。据UP主介绍，该课程内容来自与惠美蔚蓝的真实合作项目，并非虚构Demo。

医疗场景中，患者咨询、导诊分诊、病历理解、用药建议等环节彼此关联又各有边界，单一Agent很难覆盖全流程。多智能体架构可以把这些环节拆解为不同职责的Agent协同完成，这也是课程选择医疗行业作为切入口的原因。

Agent到底是什么：从聊天工具到独立解决问题

课程对"什么是Agent"给出了一个务实的判断标准：能不能独立解决具体业务问题。UP主以豆包为例——在聊天工具里加一个背景设定，只是给模型加了人格，并不构成真正的Agent。

只有把大模型作为基础，让它围绕特定业务目标自主规划和执行，才谈得上企业级智能体。这个定义看似简单，却直接决定了后续架构设计的方向：不是给模型套壳，而是围绕业务问题设计Agent的职责与协作方式。

多智能体系统（Multi-Agent System） 是相对单Agent架构而言的。在单Agent模式下，一个模型实例需要独立承担理解需求、调用工具、记忆上下文、输出结果等全部职责，一旦业务链路变长，提示词会迅速膨胀、上下文容易丢失，且难以对不同环节进行独立的权限和合规控制。多智能体系统则将复杂任务拆分为若干职责明确的子Agent，每个Agent拥有独立的系统提示、工具集与记忆空间，通过编排层进行消息传递和状态共享。常见的协作模式包括主管（Supervisor）模式、层级模式和去中心化协商模式。在医疗场景中，导诊Agent、病历理解Agent、用药建议Agent等分工后，既能各自专注，又便于对高风险环节单独设置审核与追溯机制。

技术栈拆解：LangGraph、LangChain、MCP与RAG如何配合

课程涉及的技术栈包括LangGraph、LangChain体系、MCP以及RAG。UP主强调，这些框架的API层面可以交给AI辅助编写，但框架背后的设计思想必须自己吃透。

• LangGraph：负责多智能体的流程编排与状态管理，是构建Agent协作网络的核心骨架
• MCP：作为模型与外部工具、数据源之间的标准化连接协议，扩展Agent的行动能力
• RAG：为Agent提供医疗领域知识检索能力，降低模型幻觉风险

三者的组合逻辑是：RAG保证知识准确，MCP打通工具调用，LangGraph负责把多个Agent组织成可运行的业务流程。

LangGraph 是LangChain生态中面向有状态、多步骤流程的编排框架，核心抽象是“图”：节点代表一个计算单元（通常是一次模型调用或工具调用），边代表状态流转方向，整个执行过程围绕一个可在节点间传递和更新的共享状态对象展开。相比线性链式调用，它支持条件分支、循环、并行以及人工介入（human-in-the-loop）等控制流，并内置检查点机制，可在中断后恢复执行。这使LangGraph特别适合构建需要多轮协作、状态可追踪的多智能体系统——例如让分诊Agent的输出作为下游病历Agent的输入，并在异常时回退或转人工。理解状态设计（哪些字段进入图、如何合并更新）是使用LangGraph的关键，也是多智能体协作能否稳定的决定性因素。

MCP（Model Context Protocol，模型上下文协议） 是一套用于连接大模型与外部工具、数据源和服务的标准化协议。在MCP出现之前，每个应用都要为每个模型和每个工具单独编写适配代码，形成M×N的集成成本；MCP把这些集成交给统一的客户端-服务端结构：工具或数据源以MCP Server的形式暴露能力（如查询数据库、调用API、读取文件），模型侧通过MCP Client按统一格式发现和调用这些能力。对医疗Agent而言，MCP让“接入医院信息系统”“调用药品知识库”等操作不必写死在提示词里，而是作为可插拔的工具被动态加载，从而提升系统的可扩展性与可维护性，也便于对工具调用做统一审计与权限控制。

RAG（Retrieval-Augmented Generation，检索增强生成） 的核心思路是在模型生成之前，先从外部知识库中检索出与问题相关的片段，将其作为上下文一并送入模型，从而让回答建立在可追溯的资料之上，而非仅依赖训练时的参数记忆。典型流程包括文档切分、向量化索引、相似度检索与重排序，再拼接进提示词。在医疗这类对准确性要求极高的领域，RAG的价值尤其突出：模型对最新指南、院内规章、药品说明书往往缺乏可靠记忆，直接生成容易产生幻觉；通过检索权威语料并附上出处，既能提升答案准确度，也为后续人工核查提供依据。实践中还需注意切分粒度、检索召回率以及“检索不到时应拒答”的策略设计。

写代码的含金量在下降，需求把控能力在上升

UP主在课程中提出了一个值得开发者正视的判断：写代码的含金量会越来越低。他以自己从2008年测试入行、历经PHP/Java/大数据再转大模型的经历说明，语言之间的切换其实很自然，真正稀缺的是把需求说清楚的能力。

在大模型时代，需求梳理和方案设计在项目中的占比会进一步放大，而纯粹的编码工作占比会缩小。对开发者而言，这意味着差异化竞争力要从"会写框架"转向"能做判断、能定方案"。

给开发者的实战建议

课程反复强调一点：项目一定要亲手做过一遍，哪怕只是跟着走完流程，感受也完全不同。听别人讲、背八股文改简历，在面试和交流中很容易露怯。

UP主建议的路径是：以LangGraph构建多智能体为主线，配合MCP做工具集成、RAG做知识增强，在真实或仿真的业务场景中把流程跑通，同时积累认证和项目经验，形成自己的差异化标签。这对求职和创业都有实际价值。

对企业级Agent感兴趣的开发者，不妨从这个医疗多智能体项目入手，重点体会架构分工和需求拆解的思路，而非纠结于某一段具体代码怎么写。