LangGraph实战：一请求三智能体并行，成本仅0.22美元

多智能体协作正从概念走向工程落地。最近，一个名为protoAgent的开源项目在Reddit上引起关注：它基于LangGraph构建，能将单个用户请求分发给三个智能体并行处理，每个智能体都运行独立的Claude Code实例，并实时更新组织架构图。

架构设计：LangGraph编排与A2A通信

protoAgent的核心是一个基于LangGraph的智能体运行时。用户向lead agent（领导智能体）发出请求后，lead将其拆解为多个子任务，分别委派给engineer agent（工程师）、QA agent（质量保证）和researcher agent（研究员）。

每个子智能体背后都运行着独立的Claude Code实例，通过Agent Client Protocol使用用户已有的Claude Code登录凭证。这些实例的每次工具调用都会按顺序流式返回聊天界面，让用户能实时观察执行过程。

智能体之间的通信则依赖A2A（Agent-to-Agent）协议。这种分层设计避免了单一智能体处理所有任务时的上下文膨胀问题，同时让不同角色的智能体专注于各自领域。

LangGraph是LangChain团队推出的开源编排框架，专门用于构建有状态、多参与者的LLM应用。它将智能体工作流建模为图结构：节点代表计算步骤（如调用模型、执行工具），边定义控制流与条件跳转，并支持循环、分支与并行执行。与线性链式框架相比，LangGraph的核心优势在于持久化状态管理——每个节点可读写共享状态对象，框架负责检查点保存与恢复，使长流程任务、多轮对话和失败重试更易实现。protoAgent正是利用这些能力，把lead agent的任务拆解、子智能体并行调度与结果汇聚组织成一张可追踪的执行图。

A2A（Agent-to-Agent）协议是Google于2025年发起的开放协议，旨在让不同厂商、不同框架构建的智能体能够互相发现、委派任务并交换结果。它定义了智能体卡片（Agent Card）用于描述能力，基于JSON-RPC的任务生命周期，以及流式更新与多模态消息传递机制。与侧重工具调用的MCP协议互补，A2A解决的是智能体之间的横向协作问题。protoAgent采用该协议，意味着其子智能体在理论上可以替换为其他兼容A2A的实现，而非锁定在单一技术栈内。

Agent Client Protocol（ACP）是一套用于编辑器或宿主应用与AI编码智能体之间通信的标准化协议，由Zed Industries提出并主导，Claude Code、Gemini CLI等工具均已提供支持。它规定会话创建、提示发送、工具调用通知、权限请求和流式响应的消息格式，使同一编码智能体可以接入不同前端。protoAgent通过ACP驱动独立的Claude Code实例，因此无需自行实现工具执行循环，而是复用Claude Code已有的文件读写、命令执行与授权机制，同时将每次工具调用按序转发到聊天界面，形成可观察的执行轨迹。

任务分发给三个智能体并行执行

在演示中，用户要求lead agent为一个Python小库实现slugify()函数。lead的调度逻辑清晰：

• engineer agent 负责编写函数实现；
• QA agent 负责设计边界情况测试；
• researcher agent 负责调研python-slugify如何处理Unicode字符。

三个任务同时启动，互不阻塞。这种并行策略显著缩短了端到端延迟——原本需要串行完成的调研、编码和测试设计，现在可以重叠进行。

当三个智能体各自返回结果后，lead自身的Claude Code接手后续工作：运行全部74个测试用例，修复失败项，并将新函数补充到README文档中。整个流程从委派到收尾形成闭环。

实时组织架构图与运行指标

protoAgent界面右侧的组织架构图会随任务执行实时更新。每个委派出去的智能体都保留自己的运行次数、成功率和成本数据。

这种可视化设计让多智能体系统的黑盒状态变得透明。用户不仅能看见哪个智能体在执行什么任务，还能评估每个智能体的历史表现和资源消耗。对于需要长期维护的智能体团队而言，这些指标是优化调度策略的重要依据。

成本、数据与许可

演示中整个任务的总成本为0.22美元。考虑到三个智能体并行运行Claude Code实例，这一成本水平对于实际开发任务来说具备可行性。

所有数据都存储在本地SQLite数据库中，项目明确声明无遥测。代码以MIT许可证开源，项目地址为github.com/protoLabsAI/protoAgent。

Claude Code按Anthropic API的token用量计费：输入token、输出token以及提示缓存读写分别计价，不同模型档位单价差异明显。多智能体并行时成本会成倍放大，因为每个子智能体都携带各自的系统提示与上下文，且lead agent在汇总阶段还需再次读取子任务结果。因此0.22美元这一数字的意义不只在于绝对值低，更在于它表明通过角色拆分控制单个智能体的上下文规模，可以抵消并行带来的额外开销。需要留意的是，该成本依赖用户已有的Claude Code订阅或API额度，实际支出会随任务复杂度、模型选择和缓存命中率波动。

多智能体协作的工程启示

protoAgent的演示揭示了几个值得关注的趋势：

角色专业化优于通用智能体。将编码、测试和调研拆分为独立智能体，每个智能体拥有独立的Claude Code实例和上下文，避免了单一智能体在多种任务间切换时的性能下降。

成本可观测性成为刚需。每个智能体记录运行次数、成功率和成本，这种细粒度核算让多智能体系统的经济性变得可度量。0.22美元完成一次包含调研、编码和测试的完整任务，为智能体应用的规模化提供了参考。

本地优先与隐私保护。数据存储在本地SQLite、无遥测、使用用户自有登录凭证，这些设计选择回应了开发者对代码隐私和数据主权的关切。

当然，当前演示仅覆盖单个请求的并行分发。多轮对话中的任务依赖管理、智能体失败后的重试策略、以及更大规模智能体团队的协调效率，仍是这类系统需要持续验证的方向。protoAgent作为开源项目，为探索这些边界提供了一个可运行的起点。