LangChain自动化工作流实战教程：从任务编排到智能决策

一、LangChain工作流引擎核心概念

1.1 工作流自动化设计模式

条件1 条件2 触发事件条件判断执行任务链1 执行任务链2 结果处理输出交付

1.2 核心组件介绍

python 复制代码

from langchain_core.runnables import (
    RunnableLambda,
    RunnableParallel,
    RunnableBranch
)
from langchain.agents import AgentExecutor, Tool
from langchain.memory import ConversationBufferWindowMemory

二、环境配置与基础搭建

2.1 快速安装

bash 复制代码

pip install langchain langchain-openai langchain-experimental 
pip install duckduckgo-search  # 用于网络搜索工具

2.2 最小化工作流示例

python 复制代码

from langchain_core.runnables import RunnablePassthrough

# 定义处理节点
def step1(input):
    return {"output1": input["input"] + " processed"}

def step2(input):
    return {"final": input["output1"].upper()}

# 构建工作流
workflow = (
    RunnablePassthrough.assign(output1=step1)
    | step2
)

# 执行工作流
workflow.invoke({"input": "test"})

三、复杂工作流编排实战

3.1 条件分支工作流

python 复制代码

from langchain_core.runnables import RunnableBranch

# 定义分支条件
def route_condition(data):
    if data["type"] == "A":
        return "path_a"
    return "path_b"

# 定义各分支处理
def path_a(data):
    return {"result": "Handled by A"}

def path_b(data):
    return {"result": "Handled by B"}

# 构建分支工作流
branch = RunnableBranch(
    (lambda x: route_condition(x) == "path_a", path_a),
    path_b
)

# 执行分支工作流
branch.invoke({"type": "B"})

3.2 并行执行工作流

python 复制代码

# 定义并行任务
def fetch_news(data):
    return {"news": "最新AI动态..."}

def fetch_weather(data):
    return {"weather": "晴，25℃"}

# 构建并行流
parallel_workflow = RunnableParallel(
    news=fetch_news,
    weather=fetch_weather
)

# 执行并行流
parallel_workflow.invoke({})

四、集成外部工具与Agent

4.1 工具集成示例

python 复制代码

from langchain.agents import Tool
from langchain.tools import DuckDuckGoSearchResults

# 创建工具集
search = DuckDuckGoSearchResults()
tools = [
    Tool(
        name="web_search",
        func=search.run,
        description="用于查询实时信息"
    ),
    Tool(
        name="calculator",
        func=lambda x: str(eval(x)),
        description="用于数学计算"
    )
]

# 创建代理工作流
from langchain.agents import create_react_agent

agent = create_react_agent(
    llm=ChatOpenAI(model="gpt-3.5-turbo"),
    tools=tools,
    prompt=prompt
)

4.2 自动化审批流程案例

python 复制代码

def approval_workflow(doc):
    # 文档分类
    classifier = RunnableLambda(classify_document)
    
    # 并行执行检查
    checks = RunnableParallel(
        legal_review=legal_check,
        finance_review=finance_check
    )
    
    # 最终决策
    decision = RunnableLambda(make_decision)
    
    return (
        {"document": doc}
        | classifier
        | checks
        | decision
    )

# 执行审批流
result = approval_workflow.invoke(contract_doc)

五、状态管理与错误处理

5.1 工作流状态跟踪

python 复制代码

from langchain_core.runnables import RunnableConfig

def log_step(data, config):
    print(f"Step {config.get('step')} executed")
    return data

workflow_with_log = (
    RunnableLambda(log_step).with_config({"step": 1})
    | RunnableLambda(process_data).with_config({"step": 2})
)

5.2 异常处理机制

python 复制代码

from langchain_core.runnables import RunnableLambda

def safe_operation(data):
    try:
        return risky_operation(data)
    except Exception as e:
        return {"error": str(e)}

workflow = RunnableLambda(safe_operation)

六、生产级部署方案

6.1 工作流服务化部署

python 复制代码

from fastapi import FastAPI
from concurrent.futures import ThreadPoolExecutor

app = FastAPI()
executor = ThreadPoolExecutor(max_workers=4)

@app.post("/run-workflow")
async def run_workflow(input_data: dict):
    future = executor.submit(workflow.invoke, input_data)
    return {"status": "started", "task_id": future.task_id}

6.2 性能优化技巧

python 复制代码

# 异步执行工作流
async def async_workflow(data):
    return await workflow.ainvoke(data)

# 缓存中间结果
from langchain.cache import InMemoryCache
langchain.llm_cache = InMemoryCache()

七、典型应用场景案例

7.1 智能客服工单系统

技术问题账单问题用户提问问题分类知识库检索财务系统查询生成解决方案用户确认

7.2 自动化数据分析流程

python 复制代码

def analysis_workflow():
    return (
        load_data
        | clean_data
        | RunnableParallel(
            stats=calculate_statistics,
            trends=identify_trends
        )
        | generate_report
    )

最佳实践与常见问题

8.1 调试建议

python 复制代码

# 可视化工作流
print(workflow.get_graph().draw_mermaid())

# 分步调试
for step in workflow.stream(input_data):
    print("Intermediate:", step)

8.2 性能优化矩阵

优化方向	实施方法	预期提升
并行化	使用RunnableParallel	30-50%
缓存	实现LLM结果缓存	40-70%
批处理	使用batch_invoke方法	3-5x
异步执行	使用ainvoke替代invoke	2-3x

完整项目示例：

bash 复制代码

git clone https://github.com/example/langchain-automation-demo
cd langchain-automation-demo
python finance_approval_workflow.py

提示：本教程基于LangChain 0.1.x版本，实际开发时请参考官方文档获取最新API变更。对于企业级应用，建议结合Airflow或Prefect等调度系统实现复杂工作流管理。