你在用 LangChain 搭多智能体时，是否遇到主代理调用子代理后只拿到空结果？子代理明明执行了工具调用，甚至完成了推理，最后主代理却看不到任何内容。这不是模型本身的问题，更多是 create_agent 的 model 配置、返回消息抽取和子代理输出约定没对齐。本文用 TaoToken 的 API 通道复现并修复这个问题，TaoToken 官网是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=，你可以在控制台创建 Key，把 Base URL 指向 https://taotoken.net/api，再通过请求日志确认子代理最终消息有没有回传。下面按排障视角拆开：先定位空结果来源，再给出可复制的 LangChain 配置，最后用 TaoToken 日志验证子代理消息是否真正回到主代理。
一、原问题与场景：子代理结果没回传，主代理只看到空结果
LangChain 的多智能体子代理模式，通常由一个主代理作为协调者，把子代理包装成工具来调用。主代理负责决定调用哪个子代理、传入什么任务，以及如何整合子代理返回的内容。子代理一般不直接面对用户，它执行完任务后，把结果交回主代理。这个架构的好处是上下文隔离：每个子代理在相对独立的上下文窗口中工作，不会把主对话历史无限撑大。
但排障时最常见的现象是：主代理调用了子代理工具，工具也执行了，日志里甚至能看到子代理发起了模型请求，可主代理最后收到的却是空字符串、None，或者一句没有实质内容的占位文本。表现通常是下面几种：
- 主代理输出“我没有得到有效结果”“子代理未返回内容”；
- 子代理工具函数返回
result["messages"][-1].content，但content是空字符串； - 子代理最后一条消息是带
tool_calls的 AIMessage，而不是最终自然语言结论； - TaoToken 请求日志里只有主代理请求，没有子代理请求，说明子代理的 model 根本没走 TaoToken；
- 子代理请求返回 401、404、429 或模型名错误，但异常被工具函数吞掉，主代理只看到空结果。
这个问题之所以容易混淆，是因为“子代理执行了工具调用或推理”和“子代理把结果写入最终回复”是两件事。子代理可能正确调用了搜索、计算、数据库查询等工具，但最后一条消息仍然是工具调用请求，或者模型输出被截断，导致主代理从最后一条消息里取不到可读文本。另一个常见原因是 model 配置不一致：主代理走了 TaoToken，子代理仍然走旧通道；或者 Base URL 写成了https://taotoken.net，少了/api；又或者 Key 没有替换成YOUR_API_KEY对应的真实值。
本篇的排障思路很直接：统一把主代理和子代理的 LangChain model 配置指向 TaoToken API，用create_agent初始化时传入明确的ChatOpenAI或ChatAnthropic实例，再修改子代理工具的返回逻辑，确保主代理拿到的是最终文本，而不是空的最后一条消息。最后通过 TaoToken 请求日志确认子代理请求确实发生，并且响应里有内容。
二、TaoToken 前置：创建 Key 并把 LangChain 的 model 指向 API
在改 LangChain 代码之前，先把 TaoToken 通道准备好。打开 TaoToken 官网：
https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=
登录后进入控制台，创建或查看 API Key。本文统一用占位符YOUR_API_KEY表示你的真实 Key。不要把 Key 写进公开仓库，也不要在截图里暴露完整 Key。
TaoToken 的 API 地址是：
https://taotoken.net/api
注意这个地址不带 UTM 参数，也不要写成https://taotoken.net/api/之外的多余路径。LangChain 里的 Base URL 必须和接入文档保持一致。如果你的模型走 OpenAI 兼容格式，通常使用ChatOpenAI；如果走 Anthropic 格式，则使用ChatAnthropic。具体以 TaoToken 接入文档中的模型列表和协议说明为准。
先安装依赖：
pip install -U langchain langchain-openai langchain-anthropic如果你希望用环境变量管理 Key，可以这样设置：
export TAOTOKEN_API_KEY="YOUR_API_KEY" export OPENAI_API_KEY="$TAOTOKEN_API_KEY" export OPENAI_BASE_URL="https://taotoken.net/api"如果使用 Anthropic 兼容方式，则设置：
export TAOTOKEN_API_KEY="YOUR_API_KEY" export ANTHROPIC_API_KEY="$TAOTOKEN_API_KEY" export ANTHROPIC_BASE_URL="https://taotoken.net/api"这里要特别注意：环境变量方式虽然方便，但如果你机器上已经存在旧的OPENAI_API_KEY或ANTHROPIC_API_KEY，可能会被覆盖或冲突。排障时优先在代码里显式传入api_key和base_url，这样更容易确认请求到底走了哪个通道。对于 LangChain 多智能体，主代理和子代理最好使用同一个配置入口，避免一个走 TaoToken、另一个走默认地址。
三、可复制配置：multi_agent_demo.py 中 create_agent 的 model 与 Base URL
下面给出一个可复制的最小示例，文件名可以保存为multi_agent_demo.py。这个示例包含子代理、工具封装、主代理，以及防止“空结果回传”的文本抽取函数。核心点有两个：第一，主代理和子代理的 model 都显式走 TaoToken；第二，子代理工具返回前检查最终消息，不把空 content 直接交给主代理。
# multi_agent_demo.py import os from langchain_openai import ChatOpenAI from langchain.agents import create_agent from langchain.tools import tool API_KEY = os.getenv("TAOTOKEN_API_KEY", "YOUR_API_KEY") BASE_URL = "https://taotoken.net/api" # 统一模型入口：主代理和子代理都用这个函数创建模型 def build_model(model_name: str = "gpt-4.1"): return ChatOpenAI( model=model_name, api_key=API_KEY, base_url=BASE_URL, temperature=0, ) # 防止子代理最后一条消息为空或只有 tool_calls def extract_final_text(result): messages = result.get("messages", []) for msg in reversed(messages): content = getattr(msg, "content", None) if isinstance(content, str) and content.strip(): return content.strip() # 部分消息 content 是列表结构，尝试拼接文本块 if isinstance(content, list): parts = [] for item in content: if isinstance(item, dict) and item.get("type") == "text": parts.append(item.get("text", "")) elif isinstance(item, str): parts.append(item) text = "".join(parts).strip() if text: return text return "" # 子代理：研究型助手 research_agent = create_agent( model=build_model("gpt-4.1"), tools=[], system_prompt=( "你是一个研究子代理。" "你可以进行推理和工具调用，但必须在最后一条消息中给出清晰结论。" "主代理只能看到你的最后一条消息，不要把结果留在中间步骤。" ), ) @tool("research", description="研究某个主题并返回最终发现") def call_research_agent(query: str) -> str: result = research_agent.invoke({ "messages": [{"role": "user", "content": query}] }) final_text = extract_final_text(result) if not final_text: return "子代理没有返回可读结果，请检查模型通道、最终消息抽取和子代理提示词。" return final_text # 主代理：协调者，只通过 research 工具调用子代理 main_agent = create_agent( model=build_model("gpt-4.1"), tools=[call_research_agent], system_prompt=( "你是一个协调者。需要研究或事实核查时，必须调用 research 工具。" "拿到子代理结果后，再整合成最终回复。" "如果 research 返回空内容，不要假装有结果，直接说明需要排查。" ), ) if __name__ == "__main__": out = main_agent.invoke({ "messages": [ {"role": "user", "content": "请研究 LangChain 子代理结果回传问题，并给出排查要点。"} ] }) print(extract_final_text(out) or "主代理没有输出可读结果")如果你使用的是 Anthropic 兼容模型，可以把ChatOpenAI换成ChatAnthropic，并调整模型名：
from langchain_anthropic import ChatAnthropic def build_model(model_name: str = "claude-sonnet-4-20250514"): return ChatAnthropic( model=model_name, api_key=API_KEY, base_url=BASE_URL, temperature=0, )无论用哪一种，关键都是：base_url="https://taotoken.net/api"，api_key="YOUR_API_KEY"对应的真实 Key，以及主代理和子代理都使用同一个build_model入口。这样排障时只需要检查一个地方，不会出现主代理走 TaoToken、子代理走旧地址的错位。
四、验证请求与成功结果：用 TaoToken 请求日志确认消息回传
配置改完后，运行：
python multi_agent_demo.py预期成功结果有两层。第一层是终端输出：主代理不再返回空字符串，而是给出整合后的排查要点。第二层是 TaoToken 控制台请求日志：你应该能看到至少两次模型请求，一次来自主代理，一次来自子代理。每次请求都应显示模型名、状态码、耗时、token 用量等基本信息。
在请求日志里重点看这几项：
- 子代理请求是否存在。如果只有主代理请求，说明子代理的 model 没有走 TaoToken，回到
build_model检查base_url和api_key。 - 子代理请求状态码是否为 200。如果是 401，检查 Key 是否有效；如果是 404，检查 Base URL 和模型名；如果是 429，检查请求频率或账户状态。
- 子代理响应内容是否非空。如果日志里响应为空，或者只有工具调用片段，说明问题不在主代理，而在子代理的最终消息生成。
- 主代理请求是否在子代理请求之后发生。正常顺序是主代理先决定调用工具，子代理执行并返回文本，主代理再发起第二轮请求整合结果。
如果终端输出仍然是空结果，但日志里子代理请求成功且有内容，那么问题多半在代码抽取逻辑。用extract_final_text(result)打印完整result["messages"]，观察最后几条消息的类型和 content。常见情况是最后一条是带tool_calls的 AIMessage，content 为空；真正的结论在更早一条消息里。这时不要只取[-1].content，而要向前遍历，找到第一条有文本内容的消息。
成功回传的标志是：子代理工具返回了非空字符串，主代理能基于这个字符串继续生成最终回复，并且 TaoToken 日志中两次请求都能对应上。只要这个闭环跑通，后续增加更多子代理时，就可以沿用同一个 model 配置和文本抽取逻辑。
五、本篇常见错排查：空结果、工具调用丢消息、model 配置写错
下面按排障优先级列出常见错误，基本覆盖“子代理结果没回传”的主要触发点。
第一，只改主代理，没改子代理。主代理走了 TaoToken，子代理仍然使用默认环境变量或旧地址。结果是主代理正常，子代理请求失败或超时，工具函数返回空。解决方法是把模型创建抽成公共函数，主代理和子代理都调用它。
第二，Base URL 写错。常见写法有https://taotoken.net、https://taotoken.net/api/、https://taotoken.net/v1。本文场景应使用https://taotoken.net/api，不要额外加路径。路径错误时通常表现为 404 或连接后无有效响应。
第三，Key 没有替换。代码里仍然是YOUR_API_KEY，或者环境变量指向了空值。请求日志可能没有记录，也可能返回 401。排障时先确认 Key 字符串长度和前后空格，再确认控制台里这个 Key 是否启用。
第四，子代理最后一条消息是工具调用，不是最终文本。子代理可能调用了搜索工具，但模型没有继续生成结论。这时需要加强子代理系统提示，明确要求“最后一条消息必须包含最终结论”，同时在代码里使用extract_final_text向前查找可读文本。
第五，工具函数直接返回result["messages"][-1].content，但 content 为 None 或空列表。不同模型、不同 LangChain 版本返回结构可能不同。稳妥做法是判断字符串、列表和多模态块，提取所有文本块后拼接。
第六，异步子代理没有查状态。如果你使用“启动任务、查询状态、获取结果”三工具模式，主代理可能在任务完成前就取结果，拿到的自然是空。需要确保check_status返回 completed 后再调用get_result。
第七，模型名与通道不匹配。OpenAI 兼容通道和 Anthropic 兼容通道的模型名不同。把 Anthropic 模型名传给 OpenAI 兼容接口，或者反过来，都可能返回 404。以接入文档中的模型列表为准。
第八，消息历史没传对。子代理通常不保存长期会话状态，每次调用都要把任务描述作为用户消息传入。如果传了空 query，子代理没有可处理内容，最终回复也会为空。
第九，异常被吞掉。工具函数里用了宽泛的try/except，模型请求失败后直接返回空字符串，主代理只能看到空结果。排障阶段建议先打印异常或返回明确错误文本，确认请求是否成功。
第十，请求日志没有子代理记录。这通常说明子代理没有走 TaoToken，或者请求在到达 TaoToken 之前就失败了。检查base_url是否真正传入模型实例，而不是只写了环境变量但被其他配置覆盖。
六、语义一致 CTA：排障完成后继续用 API Keys 和接入文档
回到标题的问题：子代理结果没回传，不一定是多智能体架构本身有问题，很多时候是 LangChain model 配置没有统一，或者子代理最终消息抽取太简单。把主代理和子代理的create_agentmodel 都指向 TaoToken 的https://taotoken.net/api，再用extract_final_text这类函数确保拿到非空文本，最后通过 TaoToken 请求日志确认子代理请求和响应，基本可以定位并解决大部分空结果问题。
如果你还在排障，建议先去 TaoToken 控制台检查 API Key 是否可用：
https://taotoken.net/console/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=api-keys
然后对照接入文档确认 Base URL、模型名、请求格式和返回结构：
https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=doc
排障顺序建议是：先看请求日志有没有子代理请求，再看响应是否非空，最后看代码抽取逻辑是否取错了消息。对于长期运行的多智能体编码和 Agent 任务，可以进一步了解 Coding Plan，把主代理、子代理和工具调用链放进更稳定的通道里。只要 Key、Base URL、模型名和最终消息抽取这四点对齐，子代理结果回传问题就不再是黑盒。
