ITPub博客

首页 > 人工智能 > 人工智能 > 使用LangGraph构建客户支持聊天机器人

使用LangGraph构建客户支持聊天机器人

原创 人工智能 作者:brucexia 时间:2026-11-14 10:15:47 0 删除 编辑

本文节选自清华社图书《LangGraph开发AI Agent实践》,获得出版社和作者授权发布,案例实现步骤完整可运行可免费复用。


本项目旨在构建一个多智能体协作式客户支持聊天机器人,基于LangGraph 构建状态化、可追踪、可调试的工作流,利用通义千问(Qwen )作为核心大语言模型(LLM )提供语义理解与生成能力,并通过Gradio 提供直观的Web 交互界面。

项目概述

本项目构建的是一个轻量级、可追踪、意图路由型客户支持工作流,完美展示了LangGraph 的基础能力(节点+ 条件边+ 状态传递),并结合LangSmith 实现了可观测性。若后续需要支持多轮对话或复杂协作,可在此基础上引入循环边(Conditional Loop )或多智能体协作模式(如Supervisor+Workers )。

1. 需求分析

(1 )能够理解用户的问题意图(问题分类)。

(2 )根据不同问题类型路由 到不同的处理节点。

(3 )能够回答常见问题(FAQ )。

(4 )无法回答时能够转接人工客服。

(5 )支持多轮对话,保持上下文。

(6 )提供友好的Gradio 交互界面。

(7 )集成LangSmith 进行追踪和调试。

2. 工作流设计

流程说明:

(1 )流程以“用户输入消息”开始。

(2 )进入“识别意图”节点,判断消息类型。

(3 ) 根据意图将消息分派到 4 个不同的处理分支之一: answer_faq (常见问题)、 handle_technical (技术问题)、handle_complaint (投诉)或transfer_to_human (转人工)。

(4 )所有分支最终都汇聚到同一个结束节点。

图9.1 清晰地展示了从消息输入、意图识别、分类处理到最终结束的完整工作流。所有处理节点(faq/technical/complaint/other )均为单向、无反馈、无循环,直接通向END ,确保单次对话流程只执行一次完整推理。

                                             

图9.1  工作流设计图

项目架构设计

1. 整体架构

1 )架构层次

├── 核心层

│    ├── 模型层: Qwen LLM 模型初始化与配置

│    ├── 图结构层: LangGraph 节点与边的定义

│    └── 逻辑层:各节点的业务逻辑实现

├── 交互层

│    └── Gradio 聊天界面:提供用户交互入口

└── 监控层

    └── LangSmith :追踪对话流程和模型调用

2 )架构流程(时序图)

时序图如图9.2 所示。

图9.2  时序图

2. 技术栈明细

Ÿ    前端交互:Gradio ,快速构建聊天界面,支持历史记录、示例、重试等。

Ÿ    工作流引擎:LangGraph (v1.0+) ,构建状态驱动的有向图(DAG ),支持条件路由、节点编排。

Ÿ    状态管理:TypedDict + StateGraph ,明确定义状态结构,确保类型安全和可追踪性。

Ÿ    大语言模型:DashScope + qwen-turbo ,阿里云通义千问API ,低延迟、低成本,适合客服场景。

Ÿ    模型调用:dashscope.Generation.call ,同步调用,指定temperature 和result_format 。

Ÿ    可观测性:LangChain Tracing V2 + LangSmith ,自动记录完整执行链路,支持调试、监控、评估。

Ÿ    配置管理:python-dotenv ,从.env 安全加载API 密钥。

Ÿ    运行环境:Python 3.9+ ,项目运行基础环境。

Ÿ    部署方式:Gradio.launch() ,本地/ 内网Web 服务(可扩展为FastAPI+Docker )。

3. 关键设计亮点

(1 )解耦清晰:每个节点只负责一类任务,prompt 模板与业务逻辑分离。

(2 )安全可控:无递归、无循环,避免无限生成或token 耗尽。

(3 )可追踪、可审计:所有节点输入/ 输出、模型调用、意图分类结果均被LangSmith 记录。

(4 )低成本、高效:使用qwen-turbo 平衡速度与成本,适合高频客服场景。

(5 )快速原型能力:Gradio+LangGraph 组合可在一天内完成MVP 。

4. 后续可扩展方向

Ÿ    多轮对话支持:引入记忆机制(如LangGraph Checkpointing )。

Ÿ    人工接管接口:对接企业客服系统(如Zendesk )。

Ÿ    知识库增强:结合RAG (检索增强生成)提升FAQ 准确率。

Ÿ    多语言支持:在prompt 中选择指定语言。

Ÿ    部署优化:容器化(Docker )+ 反向智能体(Nginx )+HTTPS 。

项目关键技术

9.3.1  初始化模型

该程序使用的是DashScope 提供的云端API 服务(通义千问Qwen-Turbo ),属于无状态的远程模型调用。

1. 首先安装必要的依赖

# 安装基础依赖

pip install langgraph==1.0.5 langchain langchain-community gradio dashscope python-dotenv

 

# 安装 LangSmith 用于追踪

pip install langsmith

2. 模型初始化相关代码

从功能角度看,模型调用所需的配置与封装可以视为“模型初始化”的逻辑部分。以下是程序中与模型初始化和调用准备相关的核心代码片段。

1 )环境配置

# ====================== 1. 环境配置 ======================

import os

from dotenv import load_dotenv

import dashscope

 

# 加载环境变量

load_dotenv()

 

# 配置通义千问 API 密钥(这是使用 DashScope 模型的前提)

dashscope.api_key = os.getenv("DASHSCOPE_API_KEY") or ""

2 )模型调用函数(封装模型接口)

# ====================== 2. 模型调用函数(封装模型接口) ======================

from dashscope import Generation

 

def call_qwen_model(prompt: str, temperature: float = 0.3) -> str:

    """ 调用通义千问模型(带 LangSmith 追踪) """

    try:

        response = Generation.call(

            model="qwen-turbo",                # 指定模型

            messages=[{"role": "user", "content": prompt}],

            temperature=temperature,

            result_format='text'

        )

        return response.output.text.strip()

    except Exception as e:

        return f" 模型调用出错: {str(e)}"

Ÿ    dashscope.api_key=... 是使用DashScope API 的必要初始化步骤,相当于“认证初始化”。

Ÿ    call_qwen_model 函数是对模型调用的统一封装,指定了:

Ø   模型名称:qwen-turbo 。

Ø   输入格式:messages (符合聊天格式)。

Ø   输出格式:text 。

Ø   控制参数:temperature 。

构建图结构与定义节点的逻辑

构建图结构 - 定义节点的逻辑包含两个部分:

(1 )节点函数的实现(即每个节点的具体逻辑)。

(2 )在图中注册这些节点(通过graph.add_node () ) 。

定义节点的逻辑,我们聚焦于节点函数本身的实现逻辑,即每个节点做了什么。节点定义逻辑代码(不含图注册、路由或边连接代码):

def identify_intent_node(state: SupportState) -> SupportState:

    """ 节点 1 :识别用户意图 """

    prompt = """

    你是一个客户支持意图识别助手,请分析用户的问题并归类到以下类别之一:

    - faq: 常见问题(账户、产品使用、价格等)

    - technical: 技术问题(故障、报错、功能异常等)

    - complaint: 投诉(服务不满、产品质量、退款等)

    - other: 无法分类的其他问题

   

    只需要返回类别名称,不要返回其他内容。

   

    用户问题: {user_input}

    """.format(user_input=state["user_input"])

   

    intent = call_qwen_model(prompt).lower()

    valid_intents = ["faq", "technical", "complaint", "other"]

    state["intent"] = intent if intent in valid_intents else "other"

    return state

 

 

def answer_faq_node(state: SupportState) -> SupportState:

    """ 节点 2 :回答常见问题 """

    prompt = """

    你是一个专业的客户支持助手,请友好、简洁地回答用户的常见问题。

    回答要准确、易懂,避免使用专业术语。

   

    聊天历史: {chat_history}

    用户问题: {user_input}

   

    请给出你的回答:

    """.format(

        chat_history=state["chat_history"],

        user_input=state["user_input"]

    )

   

    state["response"] = call_qwen_model(prompt)

    return state

 

 

def handle_technical_node(state: SupportState) -> SupportState:

    """ 节点 3 :处理技术问题 """

    prompt = """

    你是一位技术支持专家,请详细解答用户的技术问题。

    步骤要清晰,先给出解决方案概述,再分步骤说明。

   

    聊天历史: {chat_history}

    用户问题: {user_input}

   

    请给出你的回答:

    """.format(

        chat_history=state["chat_history"],

        user_input=state["user_input"]

    )

   

    state["response"] = call_qwen_model(prompt)

    return state

 

 

def handle_complaint_node(state: SupportState) -> SupportState:

    """ 节点 4 :处理投诉问题 """

    prompt = """

    你是一名客户投诉处理专员,请先表达歉意,然后记录投诉内容,

    并给出具体的解决措施和时间承诺。保持语气诚恳、专业。

   

    聊天历史: {chat_history}

    用户问题: {user_input}

   

    请给出你的回复:

    """.format(

        chat_history=state["chat_history"],

        user_input=state["user_input"]

    )

   

    state["response"] = call_qwen_model(prompt)

    return state

 

 

def transfer_to_human_node(state: SupportState) -> SupportState:

    """ 节点 5 :转接人工客服 """

    state["response"] = """

    非常抱歉,我暂时无法解答你的问题。

    正在为你转接人工客服,请稍候 ...

   

    人工客服工作时间: 9:00~18:00

    你也可以通过以下方式联系我们:

    - 客服热线: 400-123-4567

    - 邮箱: support@example.com

    """

    return state

说明:

Ÿ    每个节点函数接收SupportState 类型的状态对象,处理后原地更新并返回。

Ÿ    所有节点均为纯函数式设计:无副作用,仅依赖输入状态,输出更新后的状态。

Ÿ    除transfer_to_human_node 外,其余节点均通过call_qwen_model 调用大模型生成响应。

Ÿ    节点职责明确:

Ø   意图识别→分类。

Ø   FAQ/ 技术/ 投诉→领域化生成。

Ø   转人工→静态兜底回复。

注意:call_qwen_model 和 SupportState 类型定义虽未在此段落内,但属于节点逻辑的必要依赖,在实际使用中需一并保留。

连接节点与转向边缘

“连接节点 - 转向边缘”(即定义节点之间如何连接,特别是基于条件的动态路由)主要体现在以下两个部分:

(1 )使用条件路由函数(route_by_intent )决定从意图识别节点转向哪个处理节点。

(2 )使用add_conditional_edges 添加条件边。

(3 )使用add_edge 添加静态终止边(所有处理节点→END )。

以下是完整抽取的“连接节点 - 转向边缘”逻辑代码:

# 定义条件路由函数:根据意图状态动态选择下一个节点

def route_by_intent(state: SupportState) -> str:

    """ 根据意图转向不同节点 """

    intent = state["intent"]

    routing_map = {

        "faq": "answer_faq",

        "technical": "handle_technical",

        "complaint": "handle_complaint",

        "other": "transfer_to_human"

    }

    return routing_map.get(intent, "transfer_to_human")

 

 

# 添加从意图识别节点出发的条件边(动态路由)

graph.add_conditional_edges(

    source="identify_intent",

    path=route_by_intent,

    path_map={

        "answer_faq": "answer_faq",

        "handle_technical": "handle_technical",

        "handle_complaint": "handle_complaint",

        "transfer_to_human": "transfer_to_human"

    }

)

 

# 所有处理节点执行完毕后直接结束(静态边,无循环)

graph.add_edge("answer_faq", END)

graph.add_edge("handle_technical", END)

graph.add_edge("handle_complaint", END)

graph.add_edge("transfer_to_human", END)

说明:

Ÿ    add_conditional_edges :实现动态分支,根据state["intent"] 的值在运行时决定流向哪个节点。

Ÿ    path_map :显式声明所有可能的返回值与目标节点的映射关系(LangGraph 1.x 推荐写法,增强可读性和校验)。

Ÿ    add_edge(..., END) :确保每个处理路径单向终止,符合“无递归、单次执行”的设计目标。

Ÿ    该逻辑位于build_support_graph() 函数内部,依赖已添加的节点(如"identify_intent""answer
_faq" 等)。

9.3.4  LangSmith 追踪

LangSmith 是一个用于调试、测试、评估和监控大型语言模型应用的开发平台,特别适合与 LangChain 等框架配合使用。本节将讲解LangSmith API 密钥的申请和使用方法。

1. LangSmith API 密钥的申请

首先到LangSmith 网站https://smith.langchain.com 申请LangSmith API 密钥,步骤说明如下:

(1 )访问LangSmith 官网:打开浏览器,访问网址https://smith.langchain.com 。

(2 )登录或注册账号:如果你已经有LangChain 账号(例如通过GitHub 或邮箱注册过),直接登录。如果没有,请点击Sign Up 注册一个新账号(支持GitHub 、Google 或邮箱注册)。

(3 )进入API 密钥管理页面:点击右上角你的头像或用户名,在下拉菜单中选择“API Keys ”(或访问:https://smith.langchain.com/settings/api_keys )。

(4 )创建新API 密钥:点击“Create API Key ”按钮,为密钥添加一个描述(如My LangGraph Project ),再点击Create 按钮,系统会生成一个形如lsk_abc123def456... 的密钥。

(5 )使用API 密钥,在你的代码或环境变量中设置:

Ÿ    export LANGCHAIN_API_KEY=lsk_abc123def456...

Ÿ    export LANGCHAIN_TRACING_V2=true

Ÿ    export LANGCHAIN_PROJECT=YourProjectName  # 可选,指定项目名

启用LANGCHAIN_TRACING_V2=true 后,LangChain 会自动将trace 数据发送到LangSmith 网站,方便读者调试和分析。简单说,使用LangSmith 可以:

Ÿ    查看每个节点的执行过程。

Ÿ    监控模型调用的耗时和成本。

Ÿ    调试对话流程中的问题。

Ÿ    记录用户对话历史。

Ÿ    分析意图识别的准确性。

LangSmith 追踪(LangSmith Tracing )的配置与使用主要体现在两个部分:

Ÿ    在系统环境变量LANGSMITH_API_KEY 中配置(启用追踪并设置项目信息)。

Ÿ    在Gradio 接口中使用tracing_v2_enabled 上下文管理器包裹图的执行。

2. LangSmith 追踪相关代码

以下是完整抽取的LangSmith 追踪相关代码。

(1 )环境配置(启用LangSmith 追踪):

# ====================== 1. 环境配置(启用 LangSmith 追踪) ======================

import os

from dotenv import load_dotenv

from langchain_core.tracers.context import tracing_v2_enabled

 

load_dotenv()

 

# 启用 LangSmith 追踪

os.environ["LANGCHAIN_TRACING_V2"] = "true"

os.environ["LANGCHAIN_API_KEY"] = os.getenv("LANGCHAIN_API_KEY") or ""

os.environ["LANGCHAIN_PROJECT"] = " 客户支持聊天机器人 - 无递归版 "

os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"

(2 )在图执行时启用追踪上下文:

# ====================== 2. 在图执行时启用追踪上下文 ======================

def chat_interface(message, history):

    # ... (构建 initial_state )

 

    # 使用 tracing_v2_enabled 上下文管理器包裹图的 invoke 调用

    with tracing_v2_enabled(project_name=" 客户支持聊天机器人 "):

        result = support_graph.invoke(initial_state)

   

return result["response"]

说明:

Ÿ    LANGCHAIN_TRACING_V2="true" :全局开启LangChain v2 追踪功能。

Ÿ    LANGCHAIN_API_KEY :用于认证LangSmith 服务(需在LangSmith 获取)。

Ÿ    LANGCHAIN_PROJECT :指定追踪数据归属的项目名称(用于LangSmith 控制台分组)。

Ÿ    LANGCHAIN_ENDPOINT :LangSmith API 地址(默认官方地址)。

Ÿ    tracing_v2_enabled(project_name=...) :上下文级追踪控制,确保本次invoke 的完整执行链(包括所有节点)被记录到指定项目。

该代码 通过“环境变量全局启用+ 上下文管理器精细控制”的方式,实现了对LangGraph 工作流执行过程的端到端可观测性,所有节点输入/ 输出、模型调用、状态变更均可在LangSmith 控制台中查看、调试和评估。

项目代码实现

【示例 9.1 】LangGraph 构建使用小型模型的客户支持聊天机器人。

(1 )依赖安装

# 卸载现有冲突包

pip uninstall -y gradio pydantic langgraph langchain langchain-core

# 安装兼容版本组合(经过验证的稳定版本)

pip install gradio==4.24.0 pydantic==2.5.2 langgraph==1.0.5 langchain==0.2.14 langchain-core==0.2.35 dashscope==1.14.0 python-dotenv

(2 ) .env 配置

DASHSCOPE_API_KEY= 你的通义千问 API 密钥

LANGCHAIN_API_KEY= 你的 LangSmith API 密钥(可选)

(3 )访问系统界面

打开浏览器访问: http://localhost:7860 ,即可看到交互界面,开始对话。

(4 )项目 代码 实现(customer_support_bot.py )

# -*- coding: utf-8 -*-

import os

import gradio as gr

from dotenv import load_dotenv

import dashscope

from dashscope import Generation

from typing import Dict, TypedDict, Optional

from langgraph.graph import StateGraph, END

from langchain_core.tracers.context import tracing_v2_enabled

 

# ===================== 1. 环境配置(含 LangSmith ) ======================

load_dotenv()

 

# 配置通义千问 API 密钥

dashscope.api_key = os.getenv("DASHSCOPE_API_KEY") or ""

 

# 配置 LangSmith 追踪(核心:启用追踪)

os.environ["LANGCHAIN_TRACING_V2"] = "true"

os.environ["LANGCHAIN_API_KEY"] = os.getenv("LANGCHAIN_API_KEY") or ""

os.environ["LANGCHAIN_PROJECT"] = " 客户支持聊天机器人 - 无递归版 "

os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"

 

# =========================== 2. 模型调用函数 ============================

def call_qwen_model(prompt: str, temperature: float = 0.3) -> str:

    """ 调用通义千问模型(带 LangSmith 追踪) """

    try:

        response = Generation.call(

            model="qwen-turbo",

            messages=[{"role": "user", "content": prompt}],

            temperature=temperature,

            result_format='text'

        )

        return response.output.text.strip()

    except Exception as e:

        return f" 模型调用出错: {str(e)}"

 

# ====================== 3. 状态定义( LangGraph 核心) ======================

class SupportState(TypedDict):

    """ 定义图的状态结构 """

    user_input: str

    chat_history: list

    intent: Optional[str]

    response: Optional[str]

 

# ================== 4. 节点定义(核心:每个节点只做单一任务) ==================

def identify_intent_node(state: SupportState) -> SupportState:

    """ 节点 1 :识别用户意图 """

    prompt = """

    你是一个客户支持意图识别助手,请分析用户的问题并归类到以下类别之一:

    - faq: 常见问题(账户、产品使用、价格等)

    - technical: 技术问题(故障、报错、功能异常等)

    - complaint: 投诉(服务不满、产品质量、退款等)

    - other: 无法分类的其他问题

   

    只需要返回类别名称,不要返回其他内容。

   

    用户问题: {user_input}

    """.format(user_input=state["user_input"])

   

    intent = call_qwen_model(prompt).lower()

    valid_intents = ["faq", "technical", "complaint", "other"]

    state["intent"] = intent if intent in valid_intents else "other"

    return state

 

def answer_faq_node(state: SupportState) -> SupportState:

    """ 节点 2 :回答常见问题 """

    prompt = """

    你是一个专业的客户支持助手,请友好、简洁地回答用户的常见问题。

    回答要准确、易懂,避免使用专业术语。

   

    聊天历史: {chat_history}

    用户问题: {user_input}

   

    请给出你的答案:

    """.format(

        chat_history=state["chat_history"],

        user_input=state["user_input"]

    )

   

    state["response"] = call_qwen_model(prompt)

    return state

 

def handle_technical_node(state: SupportState) -> SupportState:

    """ 节点 3 :处理技术问题 """

    prompt = """

    你是一个技术支持专家,请详细解答用户的技术问题。

    步骤要清晰,先给出解决方案概述,再分步骤说明。

   

    聊天历史: {chat_history}

    用户问题: {user_input}

   

    请给出你的回答:

    """.format(

        chat_history=state["chat_history"],

        user_input=state["user_input"]

    )

   

    state["response"] = call_qwen_model(prompt)

    return state

 

def handle_complaint_node(state: SupportState) -> SupportState:

    """ 节点 4 :处理投诉问题 """

    prompt = """

    你是一个客户投诉处理专员,请先表达歉意,然后记录投诉内容,

    并给出具体的解决措施和时间承诺。保持语气诚恳、专业。

   

    聊天历史: {chat_history}

    用户问题: {user_input}

   

    请给出你的回复:

    """.format(

        chat_history=state["chat_history"],

        user_input=state["user_input"]

    )

   

    state["response"] = call_qwen_model(prompt)

    return state

 

def transfer_to_human_node(state: SupportState) -> SupportState:

    """ 节点 5 :转接人工客服 """

    state["response"] = """

    非常抱歉,我暂时无法解答你的问题。

    正在为你转接人工客服,请稍候 ...

   

    人工客服工作时间: 9:00~18:00

    你也可以通过以下方式联系我们:

    - 客服热线: 400-123-4567

    - 邮箱: support@example.com

    """

    return state

 

# ================== 5. 构建图结构(核心:无循环,单次流程) ==================

def build_support_graph():

    """

    构建 LangGraph 图结构:

    1. 定义节点

    2. 定义条件边(意图路由)

    3. 无循环,流程到 END 终止

    """

    # ( 1 )创建状态图

    graph = StateGraph(SupportState)

   

    # ( 2 )添加所有节点

    graph.add_node("identify_intent", identify_intent_node)

    graph.add_node("answer_faq", answer_faq_node)

    graph.add_node("handle_technical", handle_technical_node)

    graph.add_node("handle_complaint", handle_complaint_node)

    graph.add_node("transfer_to_human", transfer_to_human_node)

   

    # ( 3 )设置入口节点

    graph.set_entry_point("identify_intent")

   

    # ( 4 )定义条件边(意图路由逻辑)

    def route_by_intent(state: SupportState) -> str:

        """ 根据意图转向不同节点 """

        intent = state["intent"]

        routing_map = {

            "faq": "answer_faq",

            "technical": "handle_technical",

            "complaint": "handle_complaint",

            "other": "transfer_to_human"

        }

        return routing_map.get(intent, "transfer_to_human")

   

    # 添加意图路由的条件边

    graph.add_conditional_edges(

        source="identify_intent",

        path=route_by_intent,

        path_map={

            "answer_faq": "answer_faq",

            "handle_technical": "handle_technical",

            "handle_complaint": "handle_complaint",

            "transfer_to_human": "transfer_to_human"

        }

    )

   

    # ( 5 )所有处理节点都指向 END (核心:无循环,避免递归)

    graph.add_edge("answer_faq", END)

    graph.add_edge("handle_technical", END)

    graph.add_edge("handle_complaint", END)

    graph.add_edge("transfer_to_human", END)

   

    # ( 6 )编译图(适配 LangGraph 1.0.5 ,无 config 参数)

    return graph.compile()

 

# 初始化图(全局实例)

support_graph = build_support_graph()

 

# ================== 6. Gradio 聊天接口(带 LangSmith 追踪) ==================

def chat_interface(message, history):

    """

    Gradio 聊天接口:

    1. 构建初始状态

    2. 运行 LangGraph 图(单次流程)

    3. 返回结果(带 LangSmith 追踪)

    """

    try:

        # ( 1 )构建初始状态

        initial_state = {

            "user_input": message,

            "chat_history": history,

            "intent": None,

            "response": None

        }

       

        # ( 2 )运行图(带 LangSmith 追踪)

        with tracing_v2_enabled(project_name=" 客户支持聊天机器人 "):

            result = support_graph.invoke(initial_state)

       

        # ( 3 )返回回复

        return result["response"]

    except Exception as e:

        return f" 处理出错: {str(e)}\n 请检查 LangSmith 密钥或重试。 "

 

# ====================== 7. 创建 Gradio 界面 ======================

iface = gr.ChatInterface(

    fn=chat_interface,

    title=" 客户支持聊天机器人( LangGraph+LangSmith 版) ",

    description="""

    基于 LangGraph + 通义千问 (Qwen) 构建的智能客户支持系统

    ✅ 完整 LangGraph 图结构 | ✅ 节点连接与条件边 | ✅ LangSmith 追踪

    """,

    examples=[

        [" 如何修改我的账户密码? "],

        [" 我的软件安装后无法启动怎么办? "],

        [" 我对你们的服务非常不满意! "],

        [" 你们的产品价格是多少? "]

    ],

    retry_btn=" 重新回答 ",

    undo_btn=" 撤销上一步 ",

    clear_btn=" 清空对话 "

)

 

# ====================== 8. 运行应用 ======================

if __name__ == "__main__":

    print("=== 客户支持聊天机器人启动中 ===")

    print(" ✅ LangGraph 图结构已构建 ")

    print(" ✅ LangSmith 追踪已启用 ")

    print(" ✅ 访问地址: http://0.0.0.0:7860")

   

    iface.launch(

        server_name="0.0.0.0",

        server_port=7860,

        share=False,

        show_error=True

    )

运行输出(如图9.3 所示):

=== 客户支持聊天机器人启动中 ===

✅ LangGraph 图结构已构建

✅ LangSmith 追踪已启用

✅ 访问地址: http://0.0.0.0:7860

Running on local URL:  http://0.0.0.0:7860

IMPORTANT: You are using gradio version 3.50.2, however version 4.44.1 is available, please upgrade.

--------

 

To create a public link, set `share=True` in `launch()`.

<IPython.core.display.HTML object>

图9.3  项目运行界面

这里可以输入任意问题,比如:

“如何修改密码?”→得到FAQ 类回复。

“软件闪退怎么办?”→得到技术类回复。

“服务太差了!”→得到投诉类回复。

“你好”→转接人工回复。

本章小结

本章实现了一个基于LangGraph 与通义千问(Qwen-Turbo )的无递归客户支持聊天机器人系统。系统采用状态驱动的有向图架构,将对话流程清晰划分为意图识别、分类处理与响应生成三个阶段。通过定义SupportState 统一管理对话状态,并封装5 个职责单一的节点函数(意图识别、FAQ 回答、技术问题处理、投诉响应、转人工),确保逻辑解耦与可维护性。节点间通过条件边实现动态路由:意图识别结果决定后续处理路径,所有路径最终单向终止于END 节点,避免循环,保障单次推理的安全性与确定性。系统深度集成LangSmith 追踪能力,通过环境变量全局启用追踪,并在图执行时使用tracing_v2_enabled 上下文管理器,实现对完整执行链路(包括输入、状态变更、模型调用)的自动记录,为调试、监控与效果评估提供可视化支持。前端采用Gradio 快速构建交互界面,结合DashScope 云端大模型API ,实现低延迟、低成本的智能客服响应。整体设计体现了模块化、可观测、可扩展的工程思想,为多智能体协作与复杂工作流系统奠定了坚实基础。


来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/18841117/viewspace-3188981/ ,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2022-02-14

  • 博文量
    229
  • 访问量
    207383