新乡市网站建设_网站建设公司_自助建站_seo优化

一、多智能体协作的核心价值与设计原则

视频首先明确 “多智能体协作” 的本质是 “将复杂任务拆解为子任务，分配给具备专业能力的智能体，通过标准化通信实现协同完成目标”，核心价值与设计原则如下：

（一）核心价值

1. 任务拆解与专业化分工：复杂任务（如 “PDF 分析→数据提取→报告生成→可视化展示”）拆解为子任务，每个智能体专注单一领域（如 PDF 解析智能体、数据分析智能体、报告生成智能体），提升执行效率与准确性；
2. 灵活性与可扩展性：新增任务类型时，无需修改原有工作流，仅需新增对应智能体并配置协作规则；
3. 容错性提升：单个智能体执行失败时，可自动切换备用智能体或重试，避免整个任务中断；
4. 资源优化：根据任务复杂度动态调度智能体资源（如简单任务用轻量智能体，复杂任务用大模型智能体）。

（二）核心设计原则

1. 角色单一职责原则：每个智能体仅负责一类核心任务（如 “数据提取智能体” 仅处理文本 / 表格提取，不涉及报告生成）；
2. 通信标准化原则：智能体间通过统一的数据格式（如 JSON Schema）传递信息，避免数据歧义；
3. 动态调度原则：基于任务状态、智能体负载、执行结果自动分配 / 切换智能体；
4. 冲突解决原则：明确智能体间优先级与冲突处理规则（如 “报告生成智能体” 需等待 “数据提取智能体” 完成，若超时则触发告警）。

二、多智能体设计与实现（核心实操）

视频中基于 LangGraph 实现多智能体架构，核心分为 “智能体抽象定义、具体智能体实现、智能体通信机制” 三部分：

（一）智能体抽象定义（统一接口）

定义智能体基类，规范所有智能体的核心接口（run执行方法、get_metadata元数据、get_input_schema输入格式、get_output_schema输出格式），确保兼容性：

python

运行

from abc import ABC, abstractmethod from typing import Dict, Any, Optional import json_schema_for_humans # 用于生成输入输出格式校验 class BaseAgent(ABC): """智能体基类（抽象接口）""" @abstractmethod def get_metadata(self) -> Dict[str, str]: """获取智能体元数据（名称、描述、版本等）""" pass @abstractmethod def get_input_schema(self) -> Dict[str, Any]: """获取输入数据JSON Schema（用于校验输入合法性）""" pass @abstractmethod def get_output_schema(self) -> Dict[str, Any]: """获取输出数据JSON Schema（用于校验输出合法性）""" pass @abstractmethod def run(self, input_data: Dict[str, Any]) -> Dict[str, Any]: """执行智能体核心逻辑，输入符合schema的数据，返回符合schema的结果""" pass def validate_input(self, input_data: Dict[str, Any]) -> bool: """校验输入数据是否符合schema（基类实现通用逻辑）""" from jsonschema import validate try: validate(instance=input_data, schema=self.get_input_schema()) return True except Exception as e: print(f"输入数据校验失败：{str(e)}") return False

（二）具体智能体实现（3 个核心示例）

基于基类实现 3 个常用智能体，覆盖 “文档解析→数据提取→报告生成” 全流程：

1. PDF 解析智能体（PDFParserAgent）

python

运行

class PDFParserAgent(BaseAgent): def get_metadata(self) -> Dict[str, str]: return { "agent_name": "pdf_parser_agent", "description": "解析PDF文件，提取文本、表格数据，支持纯文本PDF与扫描件（OCR）", "version": "1.0.0", "required_tools": ["pdf_text_extract", "pdf_table_extract", "ocr_tool"] } def get_input_schema(self) -> Dict[str, Any]: return { "type": "object", "properties": { "file_path": {"type": "string", "description": "PDF文件绝对路径"}, "extract_text": {"type": "boolean", "default": True, "description": "是否提取文本"}, "extract_tables": {"type": "boolean", "default": True, "description": "是否提取表格"}, "use_ocr": {"type": "boolean", "default": False, "description": "扫描件PDF需启用OCR"} }, "required": ["file_path"] } def get_output_schema(self) -> Dict[str, Any]: return { "type": "object", "properties": { "success": {"type": "boolean"}, "data": { "type": "object", "properties": { "text_content": {"type": "string", "description": "提取的文本内容"}, "tables": { "type": "array", "items": {"type": "array", "description": "表格数据（二维数组）"} } } }, "message": {"type": "string"} } } def run(self, input_data: Dict[str, Any]) -> Dict[str, Any]: if not self.validate_input(input_data): return {"success": False, "data": None, "message": "输入数据非法"} try: file_path = input_data["file_path"] extract_text = input_data.get("extract_text", True) extract_tables = input_data.get("extract_tables", True) use_ocr = input_data.get("use_ocr", False) # 调用工具执行解析（复用之前定义的PDF工具） from tools import pdf_text_extract_tool, pdf_table_extract_tool result = {"text_content": "", "tables": []} if extract_text: text_res = pdf_text_extract_tool.run({"file_path": file_path, "use_ocr": use_ocr}) if text_res["success"]: result["text_content"] = "\n".join(text_res["data"]) if extract_tables: table_res = pdf_table_extract_tool.run({"file_path": file_path, "use_ocr": use_ocr}) if table_res["success"]: result["tables"] = table_res["data"] return {"success": True, "data": result, "message": "PDF解析成功"} except Exception as e: return {"success": False, "data": None, "message": f"PDF解析失败：{str(e)}"}

1. 数据分析智能体（DataAnalyzerAgent）

python

运行

class DataAnalyzerAgent(BaseAgent): def get_metadata(self) -> Dict[str, str]: return { "agent_name": "data_analyzer_agent", "description": "对提取的表格数据进行统计分析（求和、平均值、趋势分析）", "version": "1.0.0", "required_tools": ["pandas_analysis_tool"] } def get_input_schema(self) -> Dict[str, Any]: return { "type": "object", "properties": { "tables": { "type": "array", "items": {"type": "array", "description": "输入表格数据（二维数组）"} }, "analysis_type": { "type": "string", "enum": ["sum", "average", "trend", "all"], "default": "all", "description": "分析类型：求和/平均值/趋势/全部" } }, "required": ["tables"] } def get_output_schema(self) -> Dict[str, Any]: return { "type": "object", "properties": { "success": {"type": "boolean"}, "data": { "type": "object", "properties": { "sum_result": {"type": "array", "description": "各列求和结果"}, "average_result": {"type": "array", "description": "各列平均值结果"}, "trend_result": {"type": "string", "description": "数据趋势分析描述"} } }, "message": {"type": "string"} } } def run(self, input_data: Dict[str, Any]) -> Dict[str, Any]: if not self.validate_input(input_data): return {"success": False, "data": None, "message": "输入数据非法"} try: import pandas as pd tables = input_data["tables"] analysis_type = input_data.get("analysis_type", "all") result = {"sum_result": [], "average_result": [], "trend_result": ""} # 转换表格数据为DataFrame df = pd.DataFrame(tables[1:], columns=tables[0]) # 第一行为表头 df = df.apply(pd.to_numeric, errors="ignore") # 转换数值类型 # 执行分析 if analysis_type in ["sum", "all"]: sum_result = df.select_dtypes(include="number").sum().tolist() result["sum_result"] = sum_result if analysis_type in ["average", "all"]: avg_result = df.select_dtypes(include="number").mean().tolist() result["average_result"] = avg_result if analysis_type in ["trend", "all"]: # 简单趋势分析（示例） numeric_cols = df.select_dtypes(include="number").columns if len(numeric_cols) > 0: col = numeric_cols[0] if df[col].iloc[-1] > df[col].iloc[0]: result["trend_result"] = f"{col}呈现上升趋势" else: result["trend_result"] = f"{col}呈现下降趋势" return {"success": True, "data": result, "message": "数据分析成功"} except Exception as e: return {"success": False, "data": None, "message": f"数据分析失败：{str(e)}"}

1. 报告生成智能体（ReportGeneratorAgent）

python

运行

class ReportGeneratorAgent(BaseAgent): def get_metadata(self) -> Dict[str, str]: return { "agent_name": "report_generator_agent", "description": "基于文本内容和分析结果生成结构化报告（Markdown格式）", "version": "1.0.0", "required_tools": ["llm_tool"] # 依赖大模型工具生成自然语言报告 } def get_input_schema(self) -> Dict[str, Any]: return { "type": "object", "properties": { "text_content": {"type": "string", "description": "PDF提取的文本内容"}, "analysis_data": {"type": "object", "description": "数据分析结果"}, "report_title": {"type": "string", "default": "PDF分析报告", "description": "报告标题"}, "report_type": {"type": "string", "enum": ["brief", "detail"], "default": "detail", "description": "报告类型：简要/详细"} }, "required": ["text_content", "analysis_data"] } def get_output_schema(self) -> Dict[str, Any]: return { "type": "object", "properties": { "success": {"type": "boolean"}, "data": {"type": "string", "description": "Markdown格式的报告内容"}, "message": {"type": "string"} } } def run(self, input_data: Dict[str, Any]) -> Dict[str, Any]: if not self.validate_input(input_data): return {"success": False, "data": None, "message": "输入数据非法"} try: text_content = input_data["text_content"] analysis_data = input_data["analysis_data"] report_title = input_data.get("report_title", "PDF分析报告") report_type = input_data.get("report_type", "detail") # 调用大模型生成报告（示例：使用LangChain的LLM工具） from langchain_openai import OpenAI llm = OpenAI(model="gpt-3.5-turbo-instruct") prompt = f""" 基于以下内容生成{report_type}报告（Markdown格式）： 1. 文本摘要：{text_content[:500]}（仅取前500字） 2. 数据分析结果：{json.dumps(analysis_data, ensure_ascii=False)} 报告要求：结构清晰，包含标题、文本摘要、数据分析结果、结论，语言简洁专业。 """ report_content = llm.invoke(prompt) return {"success": True, "data": report_content, "message": "报告生成成功"} except Exception as e: return {"success": False, "data": None, "message": f"报告生成失败：{str(e)}"}

（三）智能体通信机制（标准化数据传递）

通过 LangGraph 的 State 统一存储智能体间的通信数据，定义包含 “任务状态、各智能体输入输出、协作上下文” 的 State 类，实现智能体间无缝协作：

python

运行

from langgraph.graph import State from typing import Dict, Optional, Any class MultiAgentState(State): """多智能体协作State（统一通信载体）""" # 任务基础信息 task_id: str = "" task_status: str = "running" # running/completed/failed/paused task_error: str = "" # 各智能体输入输出数据（key：智能体名称，value：输入/输出） agent_inputs: Dict[str, Any] = {} agent_outputs: Dict[str, Any] = {} # 协作上下文（传递给后续智能体的中间数据） context: Dict[str, Any] = {} # 动态配置（如当前执行智能体、下一步智能体） current_agent: Optional[str] = None next_agent: Optional[str] = None

三、复杂工作流编排（LangGraph 动态调度）

视频的核心环节是基于 LangGraph 实现 “多智能体协同的动态工作流”，支持条件分支、循环执行、智能体动态切换，核心分为 “工作流节点设计、流转规则定义、动态调度逻辑” 三部分：

（一）工作流节点设计（智能体执行节点）

每个节点对应一个智能体的执行逻辑，负责 “接收上下文数据→构造智能体输入→调用智能体→存储输出到 State→更新上下文”：

python

运行

# 初始化所有智能体实例 pdf_parser_agent = PDFParserAgent() data_analyzer_agent = DataAnalyzerAgent() report_generator_agent = ReportGeneratorAgent() # 智能体执行节点（通用模板） def agent_exec_node(agent: BaseAgent) -> callable: """生成智能体执行节点的通用函数""" def node(state: MultiAgentState) -> MultiAgentState: # 标记当前执行智能体 state.current_agent = agent.get_metadata()["agent_name"] try: # 从上下文构造智能体输入数据 input_data = state.context.get(f"{state.current_agent}_input", {}) # 校验输入数据 if not agent.validate_input(input_data): state.task_status = "failed" state.task_error = f"智能体{state.current_agent}输入数据非法" return state # 存储智能体输入 state.agent_inputs[state.current_agent] = input_data # 执行智能体 agent_result = agent.run(input_data) # 存储智能体输出 state.agent_outputs[state.current_agent] = agent_result # 更新上下文（将当前智能体输出传递给下一个智能体） if agent_result["success"]: state.context[f"{state.current_agent}_output"] = agent_result["data"] # 根据当前智能体动态指定下一个智能体（示例：PDF解析→数据分析→报告生成） agent_name = state.current_agent if agent_name == "pdf_parser_agent": state.next_agent = "data_analyzer_agent" # 构造数据分析智能体的输入（使用PDF解析结果） state.context["data_analyzer_agent_input"] = { "tables": agent_result["data"]["tables"] } elif agent_name == "data_analyzer_agent": state.next_agent = "report_generator_agent" # 构造报告生成智能体的输入（使用PDF文本+分析结果） state.context["report_generator_agent_input"] = { "text_content": state.context.get("pdf_parser_agent_output", {}).get("text_content", ""), "analysis_data": agent_result["data"] } elif agent_name == "report_generator_agent": state.next_agent = None # 所有智能体执行完成 state.task_status = "completed" else: state.task_status = "failed" state.task_error = f"智能体{state.current_agent}执行失败：{agent_result['message']}" return state except Exception as e: state.task_status = "failed" state.task_error = f"智能体{state.current_agent}节点执行异常：{str(e)}" return state return node # 生成各智能体的执行节点 pdf_parser_node = agent_exec_node(pdf_parser_agent) data_analyzer_node = agent_exec_node(data_analyzer_agent) report_generator_node = agent_exec_node(report_generator_agent)

（二）流转规则定义（条件分支与动态调度）

定义工作流的流转规则，支持 “按智能体执行结果分支、按任务类型动态选择智能体、循环重试失败智能体”：

python

运行

def workflow_router(state: MultiAgentState) -> str: """工作流路由函数（定义流转规则）""" # 任务失败：终止流程 if state.task_status == "failed": return "end" # 所有智能体执行完成：终止流程 if state.next_agent is None: return "end" # 动态流转到下一个智能体节点 agent_to_node_map = { "pdf_parser_agent": "pdf_parser", "data_analyzer_agent": "data_analyzer", "report_generator_agent": "report_generator" } return agent_to_node_map.get(state.next_agent, "end") # 失败重试节点（可选） def retry_node(state: MultiAgentState) -> MultiAgentState: """智能体执行失败后的重试节点（最多重试2次）""" retry_count = state.context.get("retry_count", 0) if retry_count < 2: state.context["retry_count"] = retry_count + 1 # 重试当前智能体 return state else: state.task_status = "failed" state.task_error = f"智能体{state.current_agent}重试2次仍失败" return state

（三）工作流编译与执行（完整流程）

将节点与流转规则整合到 LangGraph，编译并执行多智能体协作工作流：

python

运行

from langgraph import Graph import uuid # 1. 创建Graph实例 graph = Graph(MultiAgentState) # 2. 添加节点 graph.add_node("pdf_parser", pdf_parser_node) # PDF解析节点 graph.add_node("data_analyzer", data_analyzer_node) # 数据分析节点 graph.add_node("report_generator", report_generator_node) # 报告生成节点 graph.add_node("retry", retry_node) # 重试节点 graph.add_node("end", lambda s: s) # 结束节点 # 3. 定义流转规则 # 初始节点→PDF解析节点 graph.set_entry_point("pdf_parser") # 各智能体节点→路由函数（动态流转） graph.add_edge("pdf_parser", workflow_router) graph.add_edge("data_analyzer", workflow_router) graph.add_edge("report_generator", workflow_router) # 重试节点→当前智能体节点（重新执行） graph.add_edge("retry", lambda s: s.current_agent) # 路由函数→对应节点/结束节点 graph.add_conditional_edges( "workflow_router", workflow_router, { "pdf_parser": "pdf_parser", "data_analyzer": "data_analyzer", "report_generator": "report_generator", "retry": "retry", "end": "end" } ) # 4. 编译工作流 multi_agent_app = graph.compile() # 5. 执行多智能体协作任务 def run_multi_agent_task(file_path: str) -> MultiAgentState: """执行多智能体协作任务（PDF解析→数据分析→报告生成）""" task_id = str(uuid.uuid4()) # 初始化State（构造PDF解析智能体的输入） initial_state = MultiAgentState( task_id=task_id, context={ "pdf_parser_agent_input": { "file_path": file_path, "extract_text": True, "extract_tables": True, "use_ocr": False } } ) # 执行工作流 final_state = multi_agent_app.invoke(initial_state) return final_state # 调用示例 final_state = run_multi_agent_task("C:/docs/business_report.pdf") if final_state.task_status == "completed": # 获取最终报告 report_content = final_state.agent_outputs["report_generator_agent"]["data"] print("多智能体协作完成，报告内容：", report_content) else: print("任务执行失败：", final_state.task_error)

（四）高级特性：动态添加智能体与流转规则

支持运行时动态添加新智能体与流转规则，无需重新编译工作流，适配灵活扩展场景：

python

运行

def add_agent_to_workflow( graph: Graph, agent: BaseAgent, prev_agent_name: str, # 前置智能体名称（在哪个智能体之后执行） next_agent_name: Optional[str] = None # 后置智能体名称（执行后流转到哪个智能体） ) -> Graph: """动态向工作流添加新智能体""" # 生成新智能体的执行节点 new_agent_node = agent_exec_node(agent) new_agent_name = agent.get_metadata()["agent_name"] # 添加节点到工作流 graph.add_node(new_agent_name, new_agent_node) # 更新流转规则：前置智能体→新智能体→后置智能体/结束 graph.add_conditional_edges( prev_agent_name, lambda s: new_agent_name if s.next_agent == new_agent_name else s.next_agent, {new_agent_name: new_agent_name} ) if next_agent_name: # 新智能体→后置智能体 graph.add_edge(new_agent_name, lambda s: next_agent_name) else: # 新智能体→结束 graph.add_edge(new_agent_name, "end") return graph # 示例：动态添加“可视化生成智能体”（在报告生成后执行） class VisualizationAgent(BaseAgent): # 实现智能体基类的抽象方法（略，功能：基于报告数据生成图表） pass visualization_agent = VisualizationAgent() # 动态添加到工作流（报告生成智能体之后执行） multi_agent_app.graph = add_agent_to_workflow( multi_agent_app.graph, visualization_agent, prev_agent_name="report_generator_agent" )

四、Electron 前端适配（多智能体可视化管控）

视频最后实现了 Electron 前端对多智能体工作流的 “可视化配置、实时状态监控、结果展示”，核心分为 “智能体配置面板、工作流监控面板、结果展示面板” 三部分：

（一）智能体配置面板（动态配置智能体参数）

前端通过 IPC 获取所有智能体的元数据与输入输出 Schema，动态生成配置表单，支持用户自定义智能体参数：

tsx

import { useState, useEffect } from 'react'; import { Form, Button, Input, Switch, Select, Space, message } from 'antd'; import { JsonSchemaForm } from '@rjsf/antd'; // 基于JSON Schema动态生成表单 import '@rjsf/core/dist/css/index.css'; import '@rjsf/antd/dist/css/index.css'; const AgentConfigPanel = ({ taskId }) => { const [agents, setAgents] = useState([]); const [selectedAgent, setSelectedAgent] = useState(""); const [agentSchema, setAgentSchema] = useState({}); const [formData, setFormData] = useState({}); // 加载所有智能体元数据 useEffect(() => { const fetchAgents = async () => { const res = await window.electronAPI.getAgentsMetadata(); if (res.success) { setAgents(res.data); if (res.data.length > 0) { setSelectedAgent(res.data[0].agent_name); } } }; fetchAgents(); }, []); // 加载选中智能体的输入Schema useEffect(() => { const fetchAgentSchema = async () => { if (!selectedAgent) return; const res = await window.electronAPI.getAgentInputSchema(selectedAgent); if (res.success) { setAgentSchema(res.data); } }; fetchAgentSchema(); }, [selectedAgent]); // 提交智能体配置，启动任务 const handleSubmit = async () => { try { const res = await window.electronAPI.startMultiAgentTask({ taskId, agentName: selectedAgent, config: formData }); if (res.success) { message.success("多智能体任务已启动"); } else { message.error(`启动失败：${res.error}`); } } catch (e) { message.error(`提交异常：${e}`); } }; return ( <Space direction="vertical" size="large" style={{ width: '100%', padding: '20px' }}> <Select value={selectedAgent} onChange={setSelectedAgent} style={{ width: 300 }} options={agents.map(agent => ({ label: agent.agent_name, value: agent.agent_name, description: agent.description }))} /> {agentSchema.type && ( <JsonSchemaForm schema={agentSchema} formData={formData} onChange={({ formData }) => setFormData(formData)} submitButtonOptions={{ show: false }} /> )} <Button type="primary" onClick={handleSubmit}>启动多智能体任务</Button> </Space> ); }; export default AgentConfigPanel;

（二）工作流监控面板（实时查看智能体协作状态）

前端通过 IPC 实时获取工作流 State，展示 “当前执行智能体、各智能体执行状态、任务进度、错误信息”，支持暂停 / 恢复 / 终止任务：

tsx

import { useState, useEffect } from 'react'; import { Table, Button, Tag, Space, message } from 'antd'; import { PauseOutlined, PlayOutlined, StopOutlined } from '@ant-design/icons'; const WorkflowMonitorPanel = ({ taskId }) => { const [taskState, setTaskState] = useState(null); const [loading, setLoading] = useState(false); // 实时刷新任务状态（每3秒一次） useEffect(() => { const fetchTaskState = async () => { setLoading(true); const res = await window.electronAPI.getMultiAgentTaskState(taskId); if (res.success) { setTaskState(res.data); } else { message.error(`获取状态失败：${res.error}`); } setLoading(false); }; fetchTaskState(); const timer = setInterval(fetchTaskState, 3000); return () => clearInterval(timer); }, [taskId]); // 任务控制：暂停/恢复/终止 const handleTaskControl = async (action) => { const res = await window.electronAPI.controlMultiAgentTask({ taskId, action }); if (res.success) { message.success(`任务${action}成功`); } else { message.error(`任务${action}失败：${res.error}`); } }; // 智能体执行状态表格列 const agentColumns = [ { title: '智能体名称', dataIndex: 'agent_name', key: 'agent_name' }, { title: '执行状态', dataIndex: 'status', key: 'status', render: (status) => ( <Tag color={status === 'success' ? 'green' : status === 'failed' ? 'red' : 'blue'}> {status === 'success' ? '执行成功' : status === 'failed' ? '执行失败' : '执行中'} </Tag> )}, { title: '执行时间', dataIndex: 'exec_time', key: 'exec_time', default: 'N/A' }, { title: '错误信息', dataIndex: 'error', key: 'error', ellipsis: true }, ]; if (!taskState) return <div>任务未启动</div>; return ( <Space direction="vertical" size="large" style={{ width: '100%', padding: '20px' }}> <Space> <Button icon={<PauseOutlined />} onClick={() => handleTaskControl('pause')} disabled={taskState.task_status !== 'running'}> 暂停任务 </Button> <Button icon={<PlayOutlined />} onClick={() => handleTaskControl('resume')} disabled={taskState.task_status !== 'paused'}> 恢复任务 </Button> <Button icon={<StopOutlined />} onClick={() => handleTaskControl('stop')} disabled={['completed', 'failed'].includes(taskState.task_status)} danger> 终止任务 </Button> </Space> <Table columns={agentColumns} dataSource={Object.entries(taskState.agent_outputs).map(([agentName, output]) => ({ key: agentName, agent_name: agentName, status: output.success ? 'success' : 'failed', error: output.message || '' }))} title={() => `任务ID：${taskId} | 任务状态：${taskState.task_status}`} loading={loading} /> </Space> ); }; export default WorkflowMonitorPanel;

（三）结果展示面板（展示多智能体协作最终成果）

展示报告、图表等最终结果，支持下载、分享、二次编辑：

tsx

import { useState, useEffect } from 'react'; import { Card, Button, Space, message, Divider } from 'antd'; import { DownloadOutlined, ShareOutlined, EditOutlined } from '@ant-design/icons'; import ReactMarkdown from 'react-markdown'; // 展示Markdown报告 const ResultDisplayPanel = ({ taskId }) => { const [result, setResult] = useState(null); const [loading, setLoading] = useState(false); useEffect(() => { const fetchResult = async () => { setLoading(true); const res = await window.electronAPI.getMultiAgentTaskResult(taskId); if (res.success) { setResult(res.data); } else { message.error(`获取结果失败：${res.error}`); } setLoading(false); }; fetchResult(); }, [taskId]); // 下载报告 const handleDownload = async () => { const res = await window.electronAPI.downloadMultiAgentResult({ taskId, format: 'markdown' }); if (res.success) { message.success("报告下载成功"); } else { message.error(`下载失败：${res.error}`); } }; if (loading) return <div>加载结果中...</div>; if (!result) return <div>暂无结果</div>; return ( <Card title="多智能体协作结果" style={{ width: '100%', margin: '20px' }}> <Space style={{ marginBottom: '20px' }}> <Button icon={<DownloadOutlined />} onClick={handleDownload}>下载报告</Button> <Button icon={<ShareOutlined />}>分享结果</Button> <Button icon={<EditOutlined />}>编辑报告</Button> </Space> <Divider /> <ReactMarkdown>{result.report_content}</ReactMarkdown> </Card> ); }; export default ResultDisplayPanel;

五、多智能体协作常见问题与优化策略