یک زیرگراف کلیدهای والدش را به اشتراک میگذارد و در فضای نام مختص خودش اجرا میشود؛ کل خروجی آن نیز از کاهندههای والد عبور میکند که ممکن است ورودیهای قبلی را دو بار اضافه کنند.
گرافی میسازید که یک پیشنویس را بررسی میکند و سپس آن را بهعنوان گرهی از یک گراف بزرگتر قرار میدهید. اجرا درست کار میکند، اما لاگ مراحل در گراف والد، ورودی اول را دو بار ثبت کرده است. هیچ بخشی از زیرگراف آن را دو بار ننوشته بود؛ بلکه کاهندهی والد، کل خروجی زیرگراف را به لیست خود افزوده است.
وقتی این بخش را تمام کنید، میتوانید یک گراف یا ایجنت را بهعنوان گره اضافه کنید و فضای نام تکههای آن را بخوانید. همچنین میتوانید داخل آن وقفه ایجاد کنید و الگوی مناسبی را برای چند ایجنت برگزینید.
گراف بهعنوان یک گره
زیرگراف (Subgraph): گرافی کامپایلشده که بهعنوان گرهی از یک گراف دیگر استفاده میشود. وقتی ساختار وضعیت (State schema) هر دو گراف کلیدهای مشترکی داشته باشد، زیرگراف کلیدهای والد را میخواند و مینویسد.
گراف درونی کیت متن را با حروف بزرگ مینویسد و میپرسد که آیا نتیجه مناسب است یا نه. گراف بیرونی علامت ! را اضافه میکند، گراف درونی را راه میاندازد و کار را تمام میکند. هر دو از ساختار Inner استفاده میکنند که کلید steps آن از کاهندهی operator.add بهره میبرد:
inner = StateGraph(Inner)
inner.add_node("shout", shout)
inner.add_node("ask_ok", ask_ok)
inner.add_edge(START, "shout")
inner.add_edge("shout", "ask_ok")
inner_app = inner.compile()
outer = StateGraph(Inner)
outer.add_node("prepare", lambda s: {"text": s["text"] + "!", "steps": ["outer.prepare"]})
outer.add_node("inner", inner_app)
outer.add_node("finish", lambda s: {"steps": ["outer.finish"]})
outer.add_edge(START, "prepare")
outer.add_edge("prepare", "inner")
outer.add_edge("inner", "finish")
app = outer.compile(checkpointer=InMemorySaver())اسکیما و توابع گره گراف درونی خلاصه شدهاند.
گراف درونی چکپوینتری برای خودش ندارد. فقط به گراف بیرونی InMemorySaver داده شده است. دستور get_graph(xray=True) گرههای درونی را داخل کادری با نام inner رسم میکند که شناسههایی مثل inner:shout دارند.
شکل گراف والد را به هر دو شکل و بر اساس متن Mermaid هر فراخوانی رسم میکند.
فضاهای نام
فضای نام (Namespace): مسیر اجرای یک زیرگراف درون والد خود، مانند inner:<task id>. تکههای استریم، چکپوینتها و وضعیت، همگی این مسیر را به همراه دارند.
متد stream(..., subgraphs=True) جفتهایی شامل یک فضای نام و یک تکه داده برمیگرداند. گراف ریشه دارای فضای نام خالی است. وقفهی ناشی از ask_ok دو بار صادر شد: یکبار از سوی زیرگراف و یکبار از سمت گراف ریشه:
"namespace": [],
"chunk": {
"prepare": {
…
"namespace": [
"inner:<uuid-1>"
],
"chunk": {
"shout": {
…
"namespace": [
"inner:<uuid-1>"
],
"chunk": {
"__interrupt__": [
…
"namespace": [],
"chunk": {
"__interrupt__": [چهار تکه اجرای اول، کوتاه شده تا فقط فضای نام و کلید نخست را نشان دهند.
در مدتی که اجرا منتظر پاسخ میماند، get_state(config, subgraphs=True) وضعیت هر دو سطح را نمایش میدهد. گراف والد روی گره inner منتظر میماند و زیرگراف روی ask_ok. وضعیت وظیفه مقادیر داخل زیرگراف را در خود نگه میدارد. ادامهی کار با ارسال "yes" روی ریسهی والد، به ask_ok رسید و کار هر دو گراف را به پایان رساند.
عبور خروجی از کاهندهی والد
وضعیت نهایی پس از ادامهی اجرا به این صورت است:
{
"text": "HELLO!",
"steps": [
"outer.prepare",
"outer.prepare",
"inner.shout",
"inner.ask_ok=yes",
"outer.finish"
]
}مقدار outer.prepare دو بار دیده میشود، در حالی که هیچ گرهی آن را دو بار ننوشته است. زیرگراف با مقدار اولیه ["outer.prepare"] برای steps شروع به کار کرد و دو ورودی خودش را افزود؛ سپس هر سه را در قالب خروجی خود بازگرداند. گراف والد این خروجی را بهشکل یک بهروزرسانی اعمال کرد و operator.add آن را به لیستی که از قبل شامل outer.prepare بود ملحق کرد. شکل روند این لیست را در طول اجرا دنبال میکند.
هر کاهندهای که صرفاً دادهها را به انتهای لیست پیوست کند، نسخهی کپی را هم اضافه خواهد کرد. همانطور که در بخش 6.1 دیدیم، add_messages پیامی را که شناسهی یکسانی داشته باشد جایگزین میکند، بنابراین کپیهای آن جای نسخههای اصلی مینشینند.
با دو تغییر میتوان جلوی این کپی را گرفت: زیرگراف را درون یک گره فراخوانی کنید و تنها ورودیهای جدیدش را برگردانید، یا ساختاری بدون کلید مشترک به زیرگراف بدهید. صفحهی مستندات زیرگرافها روش اول را راهکاری برای ساختارهایی معرفی میکند که کلید مشترک ندارند {{docs oss/python/langgraph/use-subgraphs}}. کیت در حال حاضر هیچیک از این دو تغییر و زیرگرافی با add_messages را اجرا نمیکند. خروجیهای ثبتشدهی آنها همراه با سایر موارد بازِ بخش 8.8 در نسخهی بعدی ارائه میشوند.
ماندگاری زیرگراف
متد compile در زیرگراف، آرگومانهای checkpointer=None، True یا False را میپذیرد. مقدار پیشفرض یعنی None، به هر فراخوانی زیرگراف وضعیت تازهای اختصاص میدهد و برای وقفهها از چکپوینتر گراف والد استفاده میکند. مقدار True وضعیت زیرگراف را در طول فراخوانیهای همان ریسه حفظ میکند و False ثبت چکپوینت را بهکلی خاموش میسازد {{docs oss/python/langgraph/use-subgraphs}}. کیت از مقدار None استفاده کرد و وقفهی درون زیرگراف، از طریق گراف والد متوقف شد و دوباره ادامه یافت. کیت هنوز مقادیر True یا False را اجرا نکرده است؛ این موارد نیز همراه با سایر مباحث بازِ بخش 8.8 در نسخهی بعدی اضافه خواهند شد.
ایجنت بهعنوان یک گره
گرافی که با create_agent ساخته میشود یک گراف کامپایلشده است، بنابراین میتواند نقش یک گره را داشته باشد. کیت ایجنتی با نام adder را به گرافی با ساختار MessagesState اضافه میکند. استریم با آرگومان subgraphs=True ابتدا سه مرحله اجرای گرههای این ایجنت را در فضای نام اختصاصیاش نشان داد و سپس یک تکه داده را برای adder در ریشه برگرداند:
{
"namespace": [
"adder:<uuid-1>"
],
"nodes": [
"model"
]
}
…
{
"namespace": [],
"nodes": [
"adder"
]
}اولین و آخرین مورد از چهار تکه.
آزمایشگاه تأییدیهی بخش 6.5 نیز یک ایجنت Qwen3 4B را در حالت فراخوانیمحور بهشکل زیرگراف در 3 دور اجرا به کار گرفت. به دو فراخوانی نیازمند تأیید، یکییکی پاسخ داده شد و هر ابزار یکبار اجرا شد.
الگوهای تعامل چند ایجنت
صفحهی چندایجنت در مستندات به پنج الگو اشاره میکند: سابایجنتها، تحویل وظیفه (handoffs)، مهارتها (skills)، مسیریاب و جریان کاری سفارشی {{docs oss/python/langchain/multi-agent/index}}. همچنین یادآور میشود که اغلب اوقات، یک ایجنت واحد با ابزارها و پرامپت مناسب میتواند به همان خوبیِ چندین ایجنت عمل کند. صفحهی سابایجنتها بیان میکند که بستهی langgraph-supervisor دیگر نگهداری و پشتیبانی نمیشود {{docs oss/python/langchain/multi-agent/subagents}}.
سابایجنت (Subagent): ایجنتی که یک ایجنت دیگر آن را مثل یک ابزار فرامیخواند. ایجنت فراخوان فقط آخرین پیام سابایجنت را میبیند.
کتابخانهی Deep Agents به هر ایجنت ابزاری به نام task میدهد که یک سابایجنت را به راه میاندازد. در اجرای کیت، ایجنت اصلی ابزار task را با توضیحی که خودش نوشته بود فراخواند و سابایجنت در یک جمله پاسخ داد:
"name": "task",
"args": {
"description": "Verify that 2 + 3 equals 5 by performing a mathematical calculation and confirming the result.",
"subagent_type": "general-purpose"
},
"id": "<uuid-11>",
"type": "tool_call"
…
"type": "ToolMessage",
"content": "2 + 3 equals 5. This is a basic arithmetic fact and can be verified through direct calculation: 2 plus 3 is indeed 5.",
"name": "task",چهارمین فراخوانی مدل ایجنت اصلی و ToolMessage مربوطه که به آن پاسخ داد.
فراخوانی مدل سابایجنت پنجمین فراخوانی از مجموع شش فراخوانی بود. این سابایجنت دو پیام دریافت کرد: پرامپت سیستمی خودش و متن توضیحات؛ ضمن اینکه در ابزارهایش ابزار task وجود نداشت. ایجنت اصلی یک پیام ToolMessage شامل پاسخ سابایجنت دید؛ در نتیجه، سابایجنت کار خود را خارج از زمینهی (Context) فراخوان نگه میدارد. بخش 7 به Deep Agents خواهد پرداخت.
پنج الگو روی یک مجموعهوظیفه
ما پنج الگو را روی زیرمجموعهی 30-وظیفهایِ بخش 1.2، همراه با langchain 1.5.0 و deepagents 0.7.38 سنجیدیم. پنج ایجنت حوزهای ابزارهای این مجموعه را میان خود تقسیم کردند: shop، orders_db، docs، files و notes. این الگوها عبارت بودند از:
- single: یک ایجنت با تمام ابزارها و راهنماهای پنج حوزه در پرامپت خود.
- subagents: یک هماهنگکنندهی Deep Agents که هر ایجنت حوزهای را از طریق
taskفراخوانی میکند. handoffs: ایجنتهای حوزهای در قالب گرههای گراف، همراه با ابزارtransfer_to_<agent>که دستورCommand(goto=..., graph=Command.PARENT)را بازمیگرداند.- skills: یک ایجنت با ابزار
load_skillکه راهنمای حوزه را به پرامپت خود اضافه میکند. - router: یک دستهبندیکننده که درخواستهای موازی را برای ایجنتهای حوزهای میفرستد و سپس یک ایجنت ترکیبکننده خروجی را جمعبندی میکند.
مدل Claude Haiku 5.5 از طریق API روی سیستم Mac اجرا شد. مدل Qwen3 14B نیز روی Ollama 0.31.1 روی همان Mac، با دمای 0 و سید 42 به اجرا درآمد. هر خانه حاصل یکبار اجرا برای هر یک از 30 وظیفه است.
این سیستم Mac بهطور اشتراکی استفاده میشد. میانگین بار پردازشی (Load average) در شش نمونهگیری ثبتشده بین 2.7 تا 9.1 بود و سرور Ollama نیز به کارهای دیگری میپرداخت. اجرای مدل gpt-oss 20B را پیش از اولین وظیفهاش متوقف کردیم، به همین دلیل ردیفی در جدول ندارد.
| الگو | قبولیهای Haiku | فراخوانیهای Haiku | توکنهای پرامپت Haiku | هزینه دلاری Haiku | قبولیهای 14B | فراخوانیهای 14B | توکنهای پرامپت 14B |
|---|---|---|---|---|---|---|---|
| single | 30 | 160 | 521,013 | $0.0130 | 22 | 140 | 251,620 |
| subagents | 30 | 271 | 1,247,292 | $0.0380 | 17 | 164 | 425,288 |
handoffs |
30 | 187 | 373,993 | $0.0134 | 19 | 151 | 163,200 |
| skills | 30 | 194 | 314,352 | $0.0129 | 15 | 159 | 151,631 |
| router | 25 | 226 | 317,648 | $0.0237 | 18 | 187 | 105,174 |
روی Haiku، چهار الگو به امتیاز کامل 30 از 30 رسیدند و router در 25 وظیفه قبول شد. router در 3 وظیفهی زنجیرهای و هرکدام 1 وظیفه در sql و بازیابی شکست خورد که خطای همهی آنها با دستهی wrong_final_state ثبت شد. اختلاف هزینهها بسیار بیشتر از تفاوت نمرات است؛ الگوی subagents معادل 2.4 برابرِ ایجنتِ تک توکن پرامپت مصرف کرد و هزینهی دلاری آن 2.9 برابر شد. هزینهی الگوهای handoffs و skills با ایجنت تک یکسان بود. شکل اجرای یک وظیفهی زنجیرهای را در هر یک از این الگوها نشان میدهد.
وظیفهای با سه نوبت گفتوگوی کاربر، هزینهی الگو را با وضوح بیشتری نشان میدهد. در وظیفهی multi07 همهی الگوها قبول شدند. ایجنتِ تک 9 فراخوانی مدل داشت و 30.2k توکن پرامپت خواند؛ الگوی subagent معادل 16 فراخوانی داشت و 72.6k توکن خواند و router هم 18 فراخوانی را ثبت کرد. شکل پنج دور اجرا را بههمراه نقطهی آغاز هر نوبت گفتوگوی کاربر به تصویر میکشد.
روی Qwen3 14B اوضاع متفاوت است. ایجنتِ تک 22 وظیفه از 30 وظیفه را قبول شد و هیچ الگویی بهتر از آن عمل نکرد. subagents در 17 وظیفه و skills در 15 وظیفه قبول شدند؛ هر دو در تمام 6 وظیفهی فایلی و تمام 6 وظیفهی چندنوبتی نتیجهی 0 از 6 را گرفتند. subagents در 13 وظیفه و skills در 15 وظیفه شکست خوردند که اکثر آنها با خطای wrong_final_state همراه بود. بازههای هر پنج خانه همپوشانی دارند، بنابراین فقط همین صفرها واضح و قطعیاند.
دادههای هر خانهی 14B نتیجهی یک دور اجرا به ازای هر وظیفه روی یک Mac مشترک و زیر بار است؛ بنابراین اجرای دوم میتواند نتیجهی وظایف تکی را جابهجا کند.
زمان واقعی (Wall time) اجرای هر وظیفه روی 14B بین 91 ثانیه تا 315 ثانیه طول کشید که این موضوع بیش از آنکه به الگو مربوط باشد، بیانگر میزان بار سیستم است.
منابع: capture/s_graph.py، capture/out/36-subgraphs.txt، capture/out/52-draw-subgraph.txt، capture/out/45-subgraph-agent.txt، capture/out/41-deep-agent.txt؛ capture/lab/summary/approvals-x86.json، capture/lab/summary/multiagent-mac.json، capture/lab/multiagent/runs/patterns-haiku.jsonl، capture/lab/multiagent/runs/patterns-qwen3-14b.jsonl، capture/lab/multiagent/kit/patterns.py، capture/lab/multiagent/logs/uptime.log؛ فایلهای libs/langgraph/langgraph/pregel/main.py و libs/langgraph/langgraph/types.py در نسخهی langgraph 1.2.22؛ libs/deepagents/deepagents/graph.py در نسخهی deepagents==0.7.38؛ docs.langchain.com در commit مستندات به شناسهی 04d4d4a (بخشهای oss/python/langgraph/use-subgraphs، oss/python/langchain/multi-agent/index و oss/python/langchain/multi-agent/subagents).