如果你听过 LangGraph——那个用代码定义「有状态、可恢复」智能体工作流的框架——可能会觉得它门槛高。2026 年 LangChain 推出开源的 Open Agent Platform（OAP），把 LangGraph 搬到了零代码 Web 画布上：你拖拖拽拽就能组装、管理 Agent，通过 LangConnect 接 RAG 知识库、通过 MCP 服务器接工具、通过 Agent Supervisor 做多智能体编排，还能接 LangSmith / LangFuse 做可观测。本教程从部署到画第一个多智能体客服，全程不用写代码。
🟢 本教程适合：想用 LangGraph 的生产级能力、又不想从头啃代码的团队。你会用鼠标搭出能接工具、能查知识库、能多人协作的 Agent 系统。
先搞懂：OAP 在 LangChain 生态里站哪
用一句话理解：LangGraph 是发动机（代码级工作流引擎），OAP 是带方向盘和仪表盘的车壳（可视化操控台）。它把原本要写 Python 的事，变成画布上的节点：
| 能力 | 在 OAP 里怎么用 |
|---|---|
| RAG 知识库 | LangConnect 一键接，上传文档即检索 |
| 工具接入 | MCP 服务器，画布上勾选即用 |
| 多智能体 | Agent Supervisor 节点做编排 |
| 可观测 | LangSmith / LangFuse 接入看轨迹 |
自托管才能吃满数据主权。OAP 是开源的，建议部署在自己服务器 / 内网，敏感业务数据不出域。用官方托管版虽快，但数据要过第三方——按你公司合规要求选。
Step 1：部署或登录 OAP
1 把平台跑起来
自托管（推荐）：
git clone langchain-ai/open-agent-platform
docker compose up -d # 一条命令起整套
浏览器打开 http://localhost:8080
或用官方托管版：
注册登录 → 进工作区即可，跳过部署💡 第一次用先走官方托管版跑通流程，理解了再自托管。自托管需要 Docker 和一点运维，新手别卡在环境上。
Step 2：认识画布：节点、Agent、工具、Supervisor
2 先看清楚零件
进入一个项目，你会看到左侧零件栏，核心是四类：
· Agent 节点 → 一个智能体，配模型 + 提示词
· Tool 节点 → 一个能力（搜索 / 查库 / 调 API）
· Supervisor → 调度多个 Agent 的「组长」
· 连线 → 定义谁把任务交给谁
画布上拖出来，连起来，就是一个工作流。别一上来塞满画布。先放 1 个 Agent + 1 个 Tool 跑通，再逐步加节点。OAP 的威力在多智能体，但调试成本随节点数直线上升。
Step 3：接第一个 MCP 服务器（工具入口）
3 让 Agent 能调用外部能力
1. 左侧「Tools → Connect MCP Server」
2. 填 MCP 服务器地址（已有现成 MCP 或自建）
3. 平台会自动列出该服务器暴露的工具清单
4. 勾选你需要的工具，保存
5. 把 Tool 节点拖到画布，连到 Agent 的输入端🔑 MCP 是「工具的通用插头」。OAP 原生支持，意味着你能把社区里成百上千个 MCP 服务器直接当工具用，不用自己写适配。
Step 4：用 LangConnect 挂 RAG 知识库
4 让 Agent 翻你的资料作答
1. 进入「Knowledge → LangConnect」
2. 新建知识库，上传 PDF / Word / Markdown
3. 等索引建完（嵌入 + 向量化自动完成）
4. 在 Agent 配置里把该知识库设为「上下文来源」
5. 再问它业务细节，它会引用文档而非瞎编这就是 RAG，但零代码实现。上传文件 + 关联知识库，Agent 就从「通才」变「精通你业务的专才」。记得定期重新索引，资料更新后旧索引会过时。
Step 5：画一个多智能体（路由 + 专家 + 汇总）
5 组一支小队应对复杂咨询
以「多智能体客服」为例，拖出这样的结构：
Router（路由 Agent）：判断用户问题类型
├─→ 售前专家 Agent（接产品知识库）
├─→ 售后专家 Agent（接订单 / 退换货工具）
└─→ 技术专家 Agent（接 API 文档 MCP）
↓
Summarizer（汇总 Agent）：把专家结论整成一句人话回复🚀 Supervisor 在这里就是 Router + Summarizer 的合体：负责派活和收口。比单 Agent 硬扛的好处是——每个专家只管自己领域，答得准、也不串台。
Step 6：接可观测（LangSmith / LangFuse）
6 看得见才管得住
1. 在「Settings → Observability」填入 LangSmith / LangFuse 的 Key
2. 每次运行都会留下完整轨迹：每个节点的输入输出
3. 哪个专家答非所问，轨迹里一眼定位
4. 用 trace 做评测，沉淀为回归测试用例生产环境没有可观测 = 盲飞。多智能体尤其如此：最终答案对，不代表中间没瞎编。上 LangSmith 看轨迹，是上生产前的硬指标。
Step 7：发布与权限：分享给团队、设角色
7 让同事也能用、且分权限
1. 画布右上「Publish」生成可访问的 Agent
2. 「Members」里邀请同事，分配 Viewer / Editor / Admin
3. 设「Deployment」把 Agent 暴露为 API 给业务系统调用
4. 生产流量走 API，内部调试走画布，互不干扰🎉 恭喜！你已用零代码画布搭出一个「MCP 工具 + RAG 知识库 + 多智能体编排 + 可观测」的 LangGraph 系统。它既有 LangGraph 的生产级底盘，又不用你写一行编排代码。
常见问题速查
| 你遇到的现象 | 大概率原因 & 解决 |
|---|---|
| MCP 工具连不上 | 服务器地址 / 鉴权填错，先用官方示例 MCP 验证 |
| Agent 不查知识库 | LangConnect 知识库未设为该 Agent 的上下文来源 |
| 多智能体答非所问 | Supervisor 路由规则太粗，细化分类提示词 |
| 轨迹看不到 | 可观测 Key 未填或权限不足，重填并确认 |