首页 > 人工智能 > 人工智能 > 使用LangGraph构建客户支持聊天机器人
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
前端交互:Gradio ,快速构建聊天界面,支持历史记录、示例、重试等。
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。
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。
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。
模型调用:dashscope.Generation.call ,同步调用,指定temperature 和result_format 。
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。
配置管理:python-dotenv ,从.env 安全加载API 密钥。
运行环境:Python 3.9+ ,项目运行基础环境。
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
多轮对话支持:引入记忆机制(如LangGraph Checkpointing )。
人工接管接口:对接企业客服系统(如Zendesk )。
知识库增强:结合RAG (检索增强生成)提升FAQ 准确率。
多语言支持:在prompt 中选择指定语言。
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)}"
dashscope.api_key=... 是使用DashScope API 的必要初始化步骤,相当于“认证初始化”。
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:
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。
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。
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。
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:
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。
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)。
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。
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)。
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:
export LANGCHAIN_API_KEY=lsk_abc123def456...
export LANGCHAIN_TRACING_V2=true
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:
查看每个节点的执行过程。
监控模型调用的耗时和成本。
调试对话流程中的问题。
记录用户对话历史。
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:
在系统环境变量LANGSMITH_API_KEY 中配置(启用追踪并设置项目信息)。
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:
LANGCHAIN_TRACING_V2="true" :全局开启LangChain v2 追踪功能。
LANGCHAIN_API_KEY :用于认证LangSmith 服务(需在LangSmith 获取)。
LANGCHAIN_PROJECT :指定追踪数据归属的项目名称(用于LangSmith 控制台分组)。
LANGCHAIN_ENDPOINT :LangSmith API 地址(默认官方地址)。
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。