跟大侠学 AI | (前沿实践)全球最大的媒体公司如何构建多智能体系统

这是大侠发布的《侠游》专栏文章

2026 年第 61 期、总第 438 期

本文共 3300+ 字，阅读需要 5 分钟

随时获取全球行业最新洞察与前沿资讯！

大侠编辑 🙂 + Langchain 官网

贝塔斯曼（The Bertelsmann）是全球最大的媒体公司之一，制作了许多当今最具影响力的内容。从出版巴拉克·奥巴马和哈里王子的畅销传记以及普利策奖获奖小说，到制作艾美奖和奥斯卡奖获奖作品，例如《可怜的东西》和《年轻的教宗》，该公司的创意团队遍布数十个品牌和平台，触达全球数百万受众。 

但规模如此之大也带来了挑战：当贝塔斯曼的创意人员或研究人员提出一个看似简单的问题，例如 “我们有哪些关于巴拉克·奥巴马的内容？” 时，答案可能分散在数十个不同的系统、数据库和平台中。 

贝塔斯曼内部的内容搜索改变了这一切。这套由贝塔斯曼人工智能中心团队使用 LangGraph 构建的多智能体系统，已从早期原型发展到全面生产部署。如今，它为整个公司的内容搜索和发现提供支持，从而激发了整个组织的创造力。 

挑战：在媒体帝国中实现统一搜索 

贝塔斯曼的创意团队面临着一项独特的内部挑战：驾驭庞大且分散的内容生态系统。公司旗下各部门制作和管理的内容包括：

• 书籍和有声读物
• 电视节目、电影和纪录片
• 新闻档案和新闻内容 
• 第三方评论和网络趋势 

贝塔斯曼集团的每个部门都使用各自的系统、数据库和内容工作流程。因此，如果制作人想要了解围绕某个热门话题有哪些内容，或者营销团队需要寻找跨平台机会，他们就需要确切地知道在哪里查找，并且需要能够访问每个相关的系统。 

这种碎片化导致错失良机、研究工作重复，以及创意团队花费更多时间搜索信息而不是进行创作。

解决方案：多智能体内容发现

贝塔斯曼内容搜索采用了一种截然不同的方法。鉴于贝塔斯曼庞大的业务组合，将所有数据集中到一个系统中是一项艰巨的任务，而团队并没有这样做，而是构建了一个多智能体系统，用于协调跨现有平台和数据源的搜索。 

它的运作方式如下： 

• 自然语言界面：用户可以使用自然语言提问，例如：“我们有哪些关于可再生能源的纪录片？” 或 “向我展示与新兴电子音乐艺术家相关的内容”。 
• 智能路由：在后台，路由器会分析每个查询，并确定由哪些专用智能体来处理搜索。例如，一个智能体可能会查询文献档案，另一个代智能体可能会在目录中搜索相关书籍，而第三个智能体则会检查内部新闻档案以查找新闻报道。 
• 专业领域智能体：每个智能体都是为其特定领域专门构建的——了解该系统特有的元数据、搜索模式和内容类型。 
• 统一响应生成：将各个智能体的响应综合成一个单一、连贯的答案。
• 灵活的智能体部署：借助 LangGraph 的灵活架构，智能体可以直接部署在拥有数据的系统中。例如，用于搜索专有新闻档案的智能体可以部署为独立的 API，供内部团队直接集成到现有系统中。这意味着各个部门可以在各自的平台上获得增强的智能体搜索功能，而整个组织则可以受益于统一系统提供的跨平台搜索功能。 

架构内部

贝塔斯曼内容搜索的核心是基于 LangGraph 的多智能体架构，它能够协调生产环境中复杂的跨领域内容发现。

其工作原理如下：

通过协调器实现智能查询路由

该系统首先由一个协调智能体负责，它会分析用户的问题并将其发送给相应的智能体。这并非简单的关键词匹配——路由功能会理解上下文、用户意图和领域相关性，以确保查询能够送达最合适的专家。 

并行化领域专业化智能体

这些查询随后会被发送到中央并行节点，触发每个特定内容域的相关智能体。例如： 

• 出版智能体：搜索目录，了解图书元数据、作者信息和出版时间线 
• 广播智能体：利用对节目形式、播出日期和内容分类的了解，查询节目档案。 
• 新闻智能体：能够浏览新闻档案，了解文章元数据、出版日期和内容分类。 
• 网络智能智能体：监控外部趋势和评论，以提供贝塔斯曼自有内容之外的背景信息。 

LangGraph 帮助贝塔斯曼以多种方式访问这些不同的数据源。其智能体与以下系统进行交互： 

• 用于快速语义搜索的向量数据库（例如 Qdrant）
• 用于结构化查询的 API
• 用于基于关系的查找的图数据库
• 定制工具可简化复杂交互并提高可靠性

响应综合 

最后一层将各个智能体的回复整合为连贯且可操作的洞察。该系统能够理解不同内容类型之间的关联，并识别跨平台合作机会。用户还可以通过与智能体直接聊天，深入了解任何内容。

通过模块化 API 增强智能体的使用 

LangGraph 在贝塔斯曼的应用案例中最强大的功能之一，在于它能够轻松地将各个智能体部署为独立的 API。这种架构灵活性使得团队能够将支持跨平台搜索的同一智能体直接提供给拥有底层数据源的部门。例如，团队可以将专门的新闻智能体直接集成到内容管理系统中，同时保持这些智能体在更广泛的统一搜索平台上的可用性。 

因此，多智能体系统可以一举两得：业务部门可以利用内容搜索中部署的智能智能体搜索功能，对数据源进行搜索。他们还可以利用这些智能体来帮助自己的团队，并将它们直接集成到用户的工作流程中，例如新闻存档的用户界面。 

为什么选择 LangGraph：先行者，至今仍处于技术领先地位

贝塔斯曼人工智能中心团队在 LangGraph 发布的第一周就开始使用它——那是在 2024 年，当时 “智能体” 远没有现在这么流行。事实证明，这种早期采用至关重要，他们的多智能体系统如今已部署在生产环境中。 

“我们在 2023 年末开始探索利用多智能体方法赋能创意发现，” 贝塔斯曼数据服务公司数据科学主管莫里茨·格劳纳 (Moritz Glauner) 表示。

“最初，我们只是将其作为试点项目，探索当时仍处于早期阶段的智能体技术的潜力。但鉴于 LangGraph 和智能体技术所展现出的强大功能，最终它发展成为一项成熟的内部产品开发，” 贝塔斯曼人工智能中心负责人卡斯滕·蒙宁 (Carsten Mönning) 补充道。

“回想起来，我们最初探索了当时市场上许多研究框架，” 贝塔斯曼人工智能中心机器学习主管莱昂·舒尔茨 (Lion Schulz) 指出。“我们很快意识到，LangGraph 正是我们所需要的，因为它为我们的生产系统提供了可靠性和可预测性——因此，我们决定基于它构建我们的多智能体系统，并且从未后悔。”

具体来说，贝塔斯曼团队受益于 LangGraph 及其以下功能：

• 模块化设计：基于节点的架构使团队能够为每个内容领域构建专门的智能体，同时保持组件之间清晰的接口。 
• 生产就绪的基础设施：LangChain 生态系统的成熟度提供了必要的观测性和调试能力，从而能够将系统从原型提升到生产阶段，并大规模地维护复杂的多智能体系统。 
• 可扩展的编排：随着贝塔斯曼的内容范围不断扩大，该系统无需架构变更即可轻松容纳新的智能体和数据源。 

影响：大规模赋能创造力 

基于 LangGraph 构建的贝塔斯曼内容搜索系统彻底改变了创意团队在整个组织内查找信息的方式： 

• 更快的内容发现：过去需要花费数小时在多个系统中搜索的内容，现在只需几秒钟即可找到。创意团队可以减少寻找信息的时间，将更多时间用于创作。 
• 跨平台洞察：该系统能够揭示在孤立搜索单个系统时可能被忽略的关联和机遇。例如，纪录片制片人可能会发现可为其研究提供信息的相关书籍，或者图书编辑可能会从新闻档案中获得灵感。 
• 访问民主化：团队不再需要了解哪个系统包含哪些信息，也无需访问每个数据库。统一的界面使授权用户可以访问整个贝塔斯曼内容库。 
• 加强协作：该系统通过跨部门展示内容，鼓励协作，并发现跨品牌合作的机会。 

最终打造出一个更加灵活、信息更灵通的创意组织，能够快速响应趋势和机遇，同时充分利用贝塔斯曼庞大的内容组合。 

展望未来：智能体内容系统的未来 

贝塔斯曼内容搜索项目不仅仅是一次成功的部署，更是人工智能在媒体和创意产业未来发展的有力证明。通过早期采用 LangGraph 框架，并从一开始就注重生产环境的可靠性，该团队构建了一个能够随着组织需求不断演进的系统。 

随着多智能体系统日益普及，贝塔斯曼内容搜索系统堪称典范，它展现了尖端技术与精心设计的工程方案以及现实世界创意需求相结合所能取得的成就。不仅在内容搜索领域，贝塔斯曼人工智能中心团队现在也将其应用于智能体开发中，例如支持创意构思或故事板绘制。

侠游专栏：专业视角、大众语言、解读江湖中的科技动态