阶段：G5-多智能体系统 ｜ 预计耗时：90 分钟 ｜ 前置：G4 全部验收通过 代码：要你自己敲成
langgraph-learn/examples/g5_supervisor.py（结构可跟官方教程 multi-agent supervisor，API 当天现查） 一句话定位：主管（一个 LLM）不干活，只决定"这事派给谁"——专家（各自是完整 agent）干完汇报
学习目标
- 理解 Supervisor 结构：主管节点 ⇄ 专家节点 的星型循环
- 亲手搭"主管 + 2 专家"，并让专家变成子图（G2-03 复用）
- 知道它的适用边界：分工明确、可并行的任务
核心知识
1. 星型结构
┌── 研究员 agent ──┐
用户 ─► 主管 ─┤ ├─► 主管汇总 ─► END
└── 写手 agent ────┘
- 主管节点的工具不是计算器，而是"把任务交给某专家"——它每次输出"下一步派谁"
- 循环：主管 → 专家（干活，结果写回 State）→ 主管（看结果决定：再派？汇总收工？）
- 专家的典型实现 =
create_agent(工具=...)，或一个功能子图
2. State 设计要点
- 专家结果写回共享 State 时必须带追加 Reducer（G1-02 坑的多 agent 版）
- 主管 prompt 要交代"你是调度员，不要自己干"——否则大模型手痒直接答题
3. 何时该用（提前给结论，G5-03 展开）
分工清晰且异质（查资料 vs 写作 vs 算数）、单 agent 上下文装不下时。不要为了炫技拆：每多一个 agent = 多一份延迟、成本、失联风险。
实验任务
任务 1：搭最小 Supervisor（50 分钟）
- 主管：Qwen3.5-4B + 一个特殊"工具"
dispatch(专家名, 任务) - 研究员：只配
search_notes工具（读本地笔记/假知识库） - 写手：无工具，纯写作节点
- 跑："帮我调研 XX 并写成一段推荐语"——观察 Studio：主管派了几轮？每轮派给谁？
任务 2：接 G4 能力（25 分钟）
把研究员换成 G4-02 的 RAG 检索子图——三层合体：Supervisor 编排 + RAG 知识 + 结构化输出。跑通后截图存档（这是你作品集里含金量最高的一张图）。
任务 3：拆台测试（15 分钟）
故意让主管 prompt 缺"不要自己干"，观察主管亲自下场答题的行为差异——理解 prompt 对多 agent 编排的决定性影响。
验收标准
衔接下一阶段
会分工了 → G5-02 Swarm 移交模式：另一种协作哲学——专家间直接"交接棒"。