用LangGraph构建Agent的思路#

1. 从想要的自动化流程入手#

例如，你需要构建一个用于处理客户支持邮件的 AI 智能体。产品团队向你提出了以下需求：

1
The agent should:
2

3
- Read incoming customer emails
4
- Classify them by urgency and topic
5
- Search relevant documentation to answer questions
6
- Draft appropriate responses
7
- Escalate complex issues to human agents
8
- Schedule follow-ups when needed
9

10
Example scenarios to handle:
11

12
1. Simple product question: "How do I reset my password?"
13
2. Bug report: "The export feature crashes when I select PDF format"
14
3. Urgent billing issue: "I was charged twice for my subscription!"
15
4. Feature request: "Can you add dark mode to the mobile app?"
16
5. Complex technical issue: "Our API integration fails intermittently with 504 errors"

2. 拆解为独立步骤#

首先明确流程中的各个独立步骤，每个步骤将成为一个节点（执行单一具体功能的函数）。然后勾勒出这些步骤之间的连接关系。

此图表中的箭头表示可能的路径，但具体选择哪条路径的决策在每个节点内部完成。 既然我们已经确定了工作流中的各个组件，接下来了解每个节点需要执行的操作：

• Read Email：提取并解析邮件内容
• Classify Intent：使用大语言模型对紧急程度和主题进行分类，然后路由至相应操作
• Doc Search：在知识库中查询相关信息
• Bug Track：在跟踪系统中创建或更新问题
• Draft Reply：生成合适的回复内容
• Human Review：转交人工坐席进行审批或处理
• Send Reply：发送邮件回复

3. 每一步要做什么#

为图中的每个节点，确定其代表的操作类型以及正常运行所需的上下文信息。

• LLM steps：当某一步骤需要理解、分析、生成文本或进行推理决策时
• Data steps：当某个步骤需要从外部来源获取信息时
• Action steps：当某个步骤需要执行外部操作时
• User input steps：当某个步骤需要人工介入时

4. 设计state#

state是智能体中所有节点均可访问的共享存储器。可将其视作智能体在执行任务过程中，用于记录所有学习内容与决策信息的笔记本。这是非常重要的信息。

我们要问自己两个问题：

• 它是否需要在多个步骤间持续存在？如果是，就放入状态中。
• 能否从其他数据推导得出？如果可以，在需要时计算即可，不必存入状态。

5. 建立节点#

现在我们将每个步骤实现为一个函数。LangGraph 中的节点只是一个 Python 函数，它接收当前状态并返回对状态的更新。

6. 建图#

将节点连接成一个可运行的图结构。由于各个节点会自行处理路由决策，我们只需要几条核心的边即可。

7. 测试#

测试、总结、升级。