一、让AI触手可及
相信我们身边或多或少总是听到很多人在说大模型大模型，可大模型具体怎么用还是一道很深的门槛，我们博文也写了很多，但具体的用法和作用，使我们还面临着一个有趣的矛盾：大模型的能力越来越强，但真正能让普通用户直接使用的AI应用却少之又少。今天，我想分享我们如何用LangGraph和Gradio构建一个可视化、可配置的AI工作流系统，让非技术用户也能轻松组合各种AI能力。
今天没有太多理论，从我经历的实际场景出发，在我们开始技术讨论之前，先看一个真实场景，也是我们工作种大都有经历过的，如同我们电商公司的客服团队每天收到数百条用户反馈：
- "产品很好，但配送太慢了"
- "这个新功能太难用了"
- "界面复杂，操作繁琐"
传统处理方式下，客服人员需要：
- 人工阅读并理解每条反馈（3-5分钟）
- 判断情感倾向和问题类型（2-3分钟）
- 查找回复模板或自行组织语言（1-2分钟）
- 主管审核后发送（5-10分钟）
总耗时：11-20分钟/条，且质量参差不齐
正如以上的场景，很多企业平台每天都会收到海量的用户反馈、产品评价和客户咨询。传统的人工处理方式面临着效率低下、标准不一、洞察有限三大痛点。据开放的数据统计，在客户服务实践中发现：
- 72% 的用户反馈因响应延迟而导致客户满意度下降
- 45% 的产品改进机会在人工处理过程中被遗漏
- 68% 的客服回复缺乏一致性和专业性
当用户说"这个功能太难用了"，我们是选择简单回复"感谢反馈"，还是抓住这个让产品变得更好的黄金机，作为产品设计者的角度，我们认真听取客户意见是很有必要的，作为开发者的角度，我们天天研究大模型，学习AI知识，为的就是要结合实际场景来体现AI的价值，也正是基于这些真实痛点，我们考虑是否有一种可以应用AI又符合我们的业务，提高我们的效率的方案，于是基于LangGraph，我们探索的考虑并构建了这个基于LangGraph的智能工作流示例，旨在展示如何通过AI技术实现用户反馈处理的自动化、智能化和标准化。
bash
# 系统核心架构
用户输入 → 预处理 → 情感分析 → 关键词提取 → 智能回复 → 输出结果更重要的是，整个过程对用户完全透明，每个步骤都可以实时观察和配置。
二、什么是智能工作流
智能工作流是基于人工智能技术，将多个处理节点有机组合起来的自动化系统。它就像一条智能流水线，用户反馈作为原材料输入，经过各个节点的精细加工，最终产出有价值的成品。
核心技术架构
我们的系统基于以下技术栈构建：
- LangGraph：工作流编排框架，负责协调各个处理节点
- Qwen大模型：提供强大的自然语言理解能力
- Gradio：构建友好的用户交互界面
- NetworkX：生成可视化的执行流程图
效能提升对比
三、四层处理引擎
让我们通过一个具体案例，深入了解智能工作流如何运作。
1. 案例背景
用户李女士在使用某产品的新功能后，提交了如下反馈：
bash
"这个新功能太难用了，界面复杂，操作繁琐，希望能简化一下。"2. 第一层：智能预处理引擎
**功能：**文本清洗与标准化
预处理引擎首先对原始文本进行清理：
- 输入："这个新功能太难用了！！！界面太复杂了！！"
- 输出："这个新功能太难用了 界面太复杂了"
这个过程去除了情绪化的标点符号，统一了文本格式，为后续分析打下坚实基础。
3. 第二层：情感雷达系统
**功能：**精准识别用户情感倾向
情感分析节点基于Qwen大模型的深度理解能力，识别出：
- 情感标签：negative（负面）
- 置信度：92%
- 触发关键词："太难用"、"复杂"、"繁琐"
更重要的是，系统能够理解这是建设性的负面反馈，而非单纯的抱怨，因此启动了高优先级处理流程。
4. 第三层：关键词挖掘机
**功能：**提取核心问题点
关键词提取节点从文本中抽取出最有价值的信息：
- 问题关键词：["界面复杂", "操作繁琐"]
- 期望关键词：["简化"]
- 上下文关键词：["新功能"]
这四个关键词构成了完整的问题画像，为产品改进提供了明确方向。
5. 第四层：智能回复生成器
**功能：**生成策略性专业回复
基于前三层的分析结果，回复生成节点创建了这样的回复：
- "感谢您对我们新功能的坦诚反馈。我们完全理解您在界面复杂性和操作便捷性方面遇到的挑战------这确实影响了使用体验。
- 我们的产品团队已经将'界面简化'和'操作流程优化'列为优先改进项，正在制定具体的优化方案。
- 为了更精准地解决您遇到的问题，能否与我们分享：
- 哪个操作步骤让您感觉最繁琐？
- 您期望的简化方式是什么？
- 您的详细体验将直接指导我们的产品迭代方向。再次感谢您帮助我们变得更好！"
这个回复体现了情感共鸣、问题确认、行动展示、深度互动、价值肯定五个关键要素。
6. 案例展示
6.1 场景：情感分析
示例：今天天气真好，阳光明媚，心情特别愉快！
流程节点：【文本预处理】-> 【情感分析】
6.2 场景：产品反馈
示例：这个新功能太难用了，界面复杂，操作繁琐，希望能简化一下。
流程节点：【文本预处理】-> 【情感分析】-> 【关键词提取】
6.3 场景：内容总结
示例：人工智能是当今科技发展的重要方向，它正在改变我们的生活方式。机器学习、深度学习等技术在各个领域都有广泛应用，包括医疗、金融、教育等。未来，AI将继续推动社会进步。
流程节点：【文本预处理】-> 【关键词提取】-> 【摘要生成】
四、示例详细说明
- 核心主题：基于 LangGraph 和 Qwen 大模型的可视化智能工作流系统
- **主要功能：**通过模块化的工作流节点处理文本，提供情感分析、关键词提取、摘要生成等功能，并实时可视化执行过程。
1. 代码分解
1.1 环境配置
python
# 配置中文字体，确保图表中的中文能正常显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
# 配置 Qwen API 密钥
# 注意：在实际生产环境中，建议使用环境变量而不是硬编码
dashscope.api_key = "sk-b76381c**************"1.2 数据模型定义
python
class AgentState(TypedDict):
"""
工作流状态数据模型
定义在整个工作流执行过程中传递的数据结构
"""
message: str # 原始用户输入消息
processed_message: str # 预处理后的消息
sentiment: str # 情感分析结果 (positive/negative/neutral)
response: str # 最终生成的回复
keywords: str # 提取的关键词
summary: str # 生成的摘要1.3 大模型服务层
python
class QwenModel:
"""
Qwen 大模型调用封装类
负责与通义千问API进行交互，提供统一的调用接口
"""
def __init__(self, model_name="qwen-turbo"):
"""
初始化模型配置
Args:
model_name: 使用的模型名称，默认为 qwen-turbo
"""
self.model_name = model_name
def invoke(self, prompt: str) -> str:
"""
调用 Qwen API 生成回复
Args:
prompt: 输入的提示词文本
Returns:
str: 模型生成的回复文本，或错误信息
"""
try:
# 调用通义千问生成API
response = Generation.call(
model=self.model_name, # 指定模型
prompt=prompt, # 输入提示词
seed=1234, # 随机种子，保证结果可复现
max_tokens=1500, # 最大生成token数
temperature=0.7, # 温度参数，控制随机性
top_p=0.8 # 核采样参数
)
# 检查API调用是否成功
if response.status_code == HTTPStatus.OK:
return response.output.text # 返回生成的文本
else:
# 返回具体的错误信息
return f"Error: {response.code} - {response.message}"
except Exception as e:
# 捕获并返回异常信息
return f"API调用错误: {str(e)}"1.4 工作流节点实现
python
class WorkflowNodes:
"""
工作流节点处理器
包含所有可用的文本处理节点，每个节点负责特定的处理任务
"""
def __init__(self):
"""初始化工作流节点，创建Qwen模型实例"""
self.llm = QwenModel("qwen-turbo") # 使用 Qwen-turbo 模型
def preprocess_node(self, state: AgentState) -> Dict:
"""
预处理节点 - 文本清洗和标准化
Args:
state: 当前工作流状态
Returns:
Dict: 包含预处理后消息的字典
"""
message = state["message"]
# 文本标准化处理：去除首尾空格并转为小写
processed = message.strip().lower()
return {"processed_message": processed}
def sentiment_node(self, state: AgentState) -> Dict:
"""
情感分析节点 - 识别文本情感倾向
Args:
state: 当前工作流状态
Returns:
Dict: 包含情感分析结果的字典
"""
# 优先使用预处理后的消息，如果没有则使用原始消息
processed_message = state.get("processed_message", state["message"])
# 构建情感分析提示词
prompt = f"""
分析以下文本的情感倾向，只返回以下之一：positive, negative, neutral
文本：{processed_message}
请直接返回情感标签，不要添加其他内容。
"""
# 调用大模型进行情感分析
response = self.llm.invoke(prompt)
sentiment = response.strip().lower()
# 后处理：确保返回标准化的情感标签
if sentiment not in ['positive', 'negative', 'neutral']:
if '积极' in sentiment or 'positive' in sentiment:
sentiment = 'positive'
elif '消极' in sentiment or 'negative' in sentiment:
sentiment = 'negative'
else:
sentiment = 'neutral'
return {"sentiment": sentiment}
def response_node(self, state: AgentState) -> Dict:
"""
响应生成节点 - 基于分析结果生成回复
Args:
state: 当前工作流状态
Returns:
Dict: 包含生成回复的字典
"""
processed_message = state.get("processed_message", state["message"])
sentiment = state.get("sentiment", "unknown") # 默认为unknown
# 构建回复生成提示词
prompt = f"""
根据用户消息和情感分析结果生成回复。
用户消息：{processed_message}
情感分析：{sentiment}
请生成一个友好、合适的回复，保持自然流畅。
"""
response = self.llm.invoke(prompt)
return {"response": response}
def keyword_extraction_node(self, state: AgentState) -> Dict:
"""
关键词提取节点 - 从文本中提取核心关键词
Args:
state: 当前工作流状态
Returns:
Dict: 包含提取关键词的字典
"""
message = state.get("processed_message", state["message"])
prompt = f"""
从以下文本中提取3-5个最重要的关键词：
文本：{message}
请以逗号分隔的形式返回关键词，不要添加其他内容。
"""
response = self.llm.invoke(prompt)
keywords = response.strip()
return {"keywords": keywords}
def summary_node(self, state: AgentState) -> Dict:
"""
摘要生成节点 - 生成文本的简洁摘要
Args:
state: 当前工作流状态
Returns:
Dict: 包含生成摘要的字典
"""
message = state.get("processed_message", state["message"])
prompt = f"""
为以下文本生成一个简洁的摘要（不超过100字）：
文本：{message}
请直接返回摘要内容，不要添加其他说明。
"""
response = self.llm.invoke(prompt)
summary = response.strip()
return {"summary": summary}1.5 工作流管理部分
python
class WorkflowManager:
"""
工作流管理器
负责管理执行历史和工作流状态
"""
def __init__(self):
"""初始化工作流管理器"""
self.workflow_history = [] # 存储执行历史记录
def get_execution_history(self):
"""
获取执行历史记录
Returns:
list: 执行历史记录列表
"""
return self.workflow_history
# 创建全局工作流管理器实例
workflow_manager = WorkflowManager() 1.6 示例数据配置
python
EXAMPLES = {
"客户服务": {
"message": "你们的产品质量很好，但是配送速度有点慢，希望能改进一下。",
"use_preprocess": True, # 启用预处理
"use_sentiment": True, # 启用情感分析
"use_keywords": True, # 启用关键词提取
"use_summary": True, # 启用摘要生成
"custom_prompt": "作为客服代表，针对用户的反馈生成专业、友好的回复，既要感谢正面评价，也要回应改进建议。"
},
"情感分析": {
"message": "今天天气真好，阳光明媚，心情特别愉快！",
"use_preprocess": True,
"use_sentiment": True,
"use_keywords": False, # 不启用关键词提取
"use_summary": False, # 不启用摘要生成
"custom_prompt": "根据情感分析结果，生成一个积极向上的回应。"
},
"内容总结": {
"message": "人工智能是当今科技发展的重要方向，它正在改变我们的生活方式。机器学习、深度学习等技术在各个领域都有广泛应用，包括医疗、金融、教育等。未来，AI将继续推动社会进步。",
"use_preprocess": True,
"use_sentiment": False, # 不启用情感分析
"use_keywords": True,
"use_summary": True,
"custom_prompt": "基于摘要和关键词，生成一个关于AI发展的简短评论。"
},
"产品反馈": {
"message": "这个新功能太难用了，界面复杂，操作繁琐，希望能简化一下。",
"use_preprocess": True,
"use_sentiment": True,
"use_keywords": True,
"use_summary": False,
"custom_prompt": "作为产品经理，回应用户的负面反馈，表达改进的决心并邀请进一步交流。"
}
}1.7 可视化组件部分
python
def generate_workflow_diagram(steps, current_step=None):
"""
生成工作流执行流程图
Args:
steps: 步骤列表，表示工作流的执行顺序
current_step: 当前正在执行的步骤，用于高亮显示
Returns:
str: 生成的流程图临时文件路径
"""
try:
# 创建图形和网络图对象
plt.figure(figsize=(12, 4))
G = nx.DiGraph()
# 定义节点位置和样式
pos = {}
node_colors = []
node_labels = {}
# 添加节点到图中
for i, step in enumerate(steps):
G.add_node(step)
# 水平排列节点
pos[step] = (i * 2, 0)
# 简化的节点标签显示
if step == "开始":
label = "开始"
elif step == "完成":
label = "完成"
else:
label = step
node_labels[step] = label
# 当前执行到的节点用红色高亮，其他用青色
if step == current_step:
node_colors.append('#FF6B6B') # 红色高亮
else:
node_colors.append('#4ECDC4') # 青色
# 添加边连接节点
for i in range(len(steps) - 1):
G.add_edge(steps[i], steps[i + 1])
# 绘制图形
plt.clf() # 清除之前的图形
plt.figure(figsize=(12, 4))
# 绘制节点
nx.draw_networkx_nodes(G, pos,
node_color=node_colors,
node_size=3000,
alpha=0.9)
# 绘制边
nx.draw_networkx_edges(G, pos,
edge_color='#666666',
arrows=True,
arrowsize=30,
width=2,
alpha=0.7)
# 绘制节点标签
nx.draw_networkx_labels(G, pos,
labels=node_labels,
font_size=10,
font_weight='bold')
# 设置标题和坐标轴
plt.title("工作流执行流程图", fontsize=14, fontweight='bold', pad=20)
plt.axis('off') # 隐藏坐标轴
# 保存到临时文件
with tempfile.NamedTemporaryFile(suffix='.png', delete=False) as tmp_file:
plt.savefig(tmp_file.name, format='png', dpi=100, bbox_inches='tight', facecolor='white')
plt.close()
return tmp_file.name
except Exception as e:
# 错误处理：生成占位图
print(f"生成流程图错误: {e}")
with tempfile.NamedTemporaryFile(suffix='.png', delete=False) as tmp_file:
plt.figure(figsize=(8, 2))
plt.text(0.5, 0.5, "流程图生成中...", ha='center', va='center', fontsize=16)
plt.axis('off')
plt.savefig(tmp_file.name, bbox_inches='tight', facecolor='white')
plt.close()
return tmp_file.name1.8 用户界面部分
python
def create_custom_workflow_interface():
"""
创建 Gradio 用户界面
构建完整的工作流定制和可视化界面
"""
def load_example(example_name):
"""
加载示例数据到界面
Args:
example_name: 示例名称
Returns:
list: 示例数据的各个字段值
"""
if example_name in EXAMPLES:
example = EXAMPLES[example_name]
return [
example["message"],
example["use_preprocess"],
example["use_sentiment"],
example["use_keywords"],
example["use_summary"],
example["custom_prompt"]
]
# 如果示例不存在，返回空值
return ["", True, True, True, True, ""]
def execute_custom_workflow(message, use_preprocess, use_sentiment, use_keywords, use_summary, custom_prompt):
"""
执行自定义工作流的核心函数
Args:
message: 用户输入的文本消息
use_preprocess: 是否启用预处理
use_sentiment: 是否启用情感分析
use_keywords: 是否启用关键词提取
use_summary: 是否启用摘要生成
custom_prompt: 自定义提示词
Yields:
tuple: (执行结果文本, 流程图文件路径) 的元组
"""
try:
# 输入验证
if not message.strip():
yield " 请输入消息内容", generate_workflow_diagram(["开始"], "开始")
return
# 初始化工作流组件
nodes = WorkflowNodes()
current_state = {"message": message}
execution_steps = [] # 记录执行的步骤
detailed_results = {} # 存储每个步骤的详细结果
# 构建步骤列表用于流程图显示
workflow_steps = ["开始"]
current_active_step = "开始"
# 生成初始流程图
initial_diagram = generate_workflow_diagram(workflow_steps, current_active_step)
# ==================== 预处理步骤 ====================
if use_preprocess:
workflow_steps.append("预处理")
current_active_step = "预处理"
# 实时更新界面显示
yield " 正在执行预处理...", generate_workflow_diagram(workflow_steps, current_active_step)
# 执行预处理节点
preprocess_result = nodes.preprocess_node(current_state)
current_state.update(preprocess_result) # 更新状态
execution_steps.append(" 预处理")
detailed_results["预处理结果"] = preprocess_result.get("processed_message", "")
# ==================== 情感分析步骤 ====================
if use_sentiment:
workflow_steps.append("情感分析")
current_active_step = "情感分析"
yield " 正在执行情感分析...", generate_workflow_diagram(workflow_steps, current_active_step)
sentiment_result = nodes.sentiment_node(current_state)
current_state.update(sentiment_result)
execution_steps.append(" 情感分析")
detailed_results["情感分析"] = sentiment_result.get("sentiment", "")
# ==================== 关键词提取步骤 ====================
if use_keywords:
workflow_steps.append("关键词提取")
current_active_step = "关键词提取"
yield " 正在提取关键词...", generate_workflow_diagram(workflow_steps, current_active_step)
keyword_result = nodes.keyword_extraction_node(current_state)
current_state.update(keyword_result)
execution_steps.append(" 关键词提取")
detailed_results["关键词"] = keyword_result.get("keywords", "")
# ==================== 摘要生成步骤 ====================
if use_summary:
workflow_steps.append("摘要生成")
current_active_step = "摘要生成"
yield " 正在生成摘要...", generate_workflow_diagram(workflow_steps, current_active_step)
summary_result = nodes.summary_node(current_state)
current_state.update(summary_result)
execution_steps.append(" 摘要生成")
detailed_results["摘要"] = summary_result.get("summary", "")
# ==================== 响应生成步骤 ====================
workflow_steps.append("生成回复")
current_active_step = "生成回复"
yield " 正在生成回复...", generate_workflow_diagram(workflow_steps, current_active_step)
def custom_response_node(state):
"""
自定义响应生成节点
根据是否提供自定义提示词来选择生成策略
"""
if custom_prompt:
# 使用用户提供的自定义提示词
prompt = custom_prompt
else:
# 构建默认提示词，包含所有可用信息
base_message = state.get("processed_message", state["message"])
sentiment = state.get("sentiment", "")
keywords = state.get("keywords", "")
summary = state.get("summary", "")
prompt = f"""基于以下信息生成回复：
用户原始消息: {base_message}
"""
# 动态添加可用信息
if sentiment:
prompt += f"情感倾向: {sentiment}\n"
if keywords:
prompt += f"关键词: {keywords}\n"
if summary:
prompt += f"内容摘要: {summary}\n"
prompt += "\n请生成一个友好、专业的回复。"
response = nodes.llm.invoke(prompt)
return {"response": response}
# 执行响应生成
response_result = custom_response_node(current_state)
current_state.update(response_result)
execution_steps.append(" 生成回复")
detailed_results["最终回复"] = response_result.get("response", "")
# ==================== 完成阶段 ====================
workflow_steps.append("完成")
current_active_step = "完成"
final_diagram = generate_workflow_diagram(workflow_steps, current_active_step)
# 构建执行历史记录
execution_record = {
"input": message,
"output": response_result["response"],
"steps": execution_steps,
"custom_prompt": custom_prompt,
"detailed_results": detailed_results
}
workflow_manager.workflow_history.append(execution_record)
# 格式化最终输出结果
result_text = "## 执行完成！\n\n"
# 显示每个步骤的详细结果
for step_name, step_result in detailed_results.items():
result_text += f"**{step_name}:**\n{step_result}\n\n"
# 显示完整的执行流程
result_text += f"**执行流程:** {' → '.join(execution_steps)}"
# 返回最终结果
yield result_text, final_diagram
except Exception as e:
# 错误处理
error_text = f" 执行错误: {str(e)}"
yield error_text, generate_workflow_diagram(["开始"], "开始")
def show_execution_history():
"""
显示执行历史记录
Returns:
str: 格式化后的历史记录文本
"""
history = workflow_manager.get_execution_history()
if not history:
return " 暂无执行历史"
# 构建历史记录显示文本
history_text = "## 最近执行历史\n\n"
# 只显示最近5条记录
for i, record in enumerate(history[-5:], 1):
history_text += f"### 执行记录 {i}\n"
history_text += f"**输入:** {record['input']}\n\n"
# 长文本截断处理
if len(record['output']) > 200:
history_text += f"**输出:** {record['output'][:200]}...\n\n"
else:
history_text += f"**输出:** {record['output']}\n\n"
history_text += f"**步骤:** {' → '.join(record['steps'])}\n\n"
if record.get('custom_prompt'):
history_text += f"**自定义提示:** {record['custom_prompt']}\n\n"
history_text += "---\n\n"
return history_text
def show_workflow_visualization():
"""
显示工作流可视化说明
Returns:
str: 工作流说明文档
"""
visualization = """
## 工作流结构
### 可用节点说明:
- **📝 预处理**: 文本清理和标准化
- **😊 情感分析**: 分析文本情感倾向 (positive/negative/neutral)
- **🔑 关键词提取**: 提取3-5个核心关键词
- **📋 摘要生成**: 生成简洁的内容摘要
- **💬 生成响应**: 基于所有信息生成最终回复
### 示例场景:
1. **客户服务**: 完整流程处理用户反馈
2. **情感分析**: 专注于情感识别和回应
3. **内容总结**: 提取关键信息和生成摘要
4. **产品反馈**: 处理负面反馈并生成改进回应
### 使用流程:
1. 选择示例或输入自定义文本
2. 配置需要启用的处理节点
3. 可选: 提供自定义提示词
4. 点击执行，观察实时流程图
5. 查看详细执行结果
"""
return visualization1.9 构建 Gradio 界面
python
# 创建主界面块
with gr.Blocks(title="LangGraph + Qwen 工作流定制", theme=gr.themes.Soft()) as interface:
# 界面标题
gr.Markdown("# LangGraph + Qwen 工作流定制系统")
gr.Markdown("使用通义千问大模型和可视化工作流处理文本")
# ==================== 工作流执行标签页 ====================
with gr.Tab(" 工作流执行"):
with gr.Row():
# 左侧配置面板
with gr.Column(scale=1):
gr.Markdown("### ⚙️ 工作流配置")
# 示例选择区域
gr.Markdown("####快速示例")
example_selector = gr.Dropdown(
choices=list(EXAMPLES.keys()), # 示例选项
label="选择示例场景",
value=None,
interactive=True
)
# 消息输入框
message_input = gr.Textbox(
label="输入消息",
placeholder="请输入您想要处理的消息...",
lines=3
)
# 节点配置区域
with gr.Group():
gr.Markdown("**选择处理节点:**")
use_preprocess = gr.Checkbox(
label="文本预处理",
value=True # 默认启用
)
use_sentiment = gr.Checkbox(
label="情感分析",
value=True
)
use_keywords = gr.Checkbox(
label="关键词提取",
value=True
)
use_summary = gr.Checkbox(
label="摘要生成",
value=True
)
# 自定义提示词输入
custom_prompt = gr.Textbox(
label="自定义提示词 (可选)",
placeholder="输入自定义的提示词，用于控制最终回复的生成...",
lines=3
)
# 执行按钮
execute_btn = gr.Button(" 执行工作流", variant="primary", size="lg")
# 右侧结果显示面板
with gr.Column(scale=2):
gr.Markdown("### 执行结果")
output_result = gr.Markdown(
label="执行结果",
value="等待执行工作流..." # 初始提示
)
# 流程图显示区域
gr.Markdown("### 实时流程图")
workflow_diagram = gr.Image(
label="工作流执行状态",
value=generate_workflow_diagram(["开始"], "开始"), # 初始流程图
height=300 # 固定高度
)
# ==================== 执行历史标签页 ====================
with gr.Tab(" 执行历史"):
with gr.Row():
history_display = gr.Markdown(
label="执行历史"
)
with gr.Row():
# 历史记录操作按钮
refresh_btn = gr.Button(" 刷新历史", variant="secondary")
clear_btn = gr.Button(" 清空历史", variant="stop")
# ==================== 工作流说明标签页 ====================
with gr.Tab(" 工作流说明"):
visualization_display = gr.Markdown(
label="工作流可视化说明"
)
# ==================== 事件绑定 ====================
# 示例选择事件：选择示例后自动填充表单
example_selector.change(
fn=load_example,
inputs=[example_selector],
outputs=[message_input, use_preprocess, use_sentiment, use_keywords, use_summary, custom_prompt]
)
# 执行按钮事件：点击后执行工作流
execute_btn.click(
fn=execute_custom_workflow,
inputs=[message_input, use_preprocess, use_sentiment, use_keywords, use_summary, custom_prompt],
outputs=[output_result, workflow_diagram]
)
# 刷新历史事件
refresh_btn.click(
fn=show_execution_history,
outputs=history_display
)
# 清空历史事件
clear_btn.click(
fn=lambda: "历史记录已清空",
outputs=history_display
)
# ==================== 界面初始化 ====================
# 界面加载时自动显示历史记录和工作流说明
interface.load(
fn=show_execution_history,
outputs=history_display
).then(
fn=show_workflow_visualization,
outputs=visualization_display
)
return interface1.10 应用启动部分
python
if __name__ == "__main__":
"""
应用主入口点
启动 Gradio web 服务器
"""
# 注意：在生产环境中建议使用环境变量配置API密钥
# os.environ["DASHSCOPE_API_KEY"] = "your-api-key-here"
# 启动日志
print(" 启动 LangGraph + Qwen 工作流定制系统...")
print(" 请确保已设置正确的 DASHSCOPE_API_KEY")
# 创建并启动界面
interface = create_custom_workflow_interface()
interface.launch(
server_name="0.0.0.0", # 允许外部访问
server_port=7862, # 服务端口
share=True # 生成公共链接
)2. 代码结构说明
这个代码实现了一个完整的智能工作流系统，主要特点包括：
2.1 架构分层
- 数据层：AgentState 定义数据流
- 服务层：QwenModel 封装大模型调用
- 业务层：WorkflowNodes 实现具体处理逻辑
- 管理层：WorkflowManager 管理执行状态
- 界面层：Gradio 构建用户界面
2.2 工作流特点
- 模块化设计：每个节点独立，易于扩展
- 实时可视化：动态生成执行流程图
- 灵活配置：支持自定义节点组合
- 历史管理：完整的执行记录追踪
2.3 核心价值
- 将复杂的大模型能力封装成易用工具
- 提供直观的可视化反馈
- 支持多种文本处理场景
- 具备良好的错误处理机制
3. 系统执行流程图
4. 工作流程图
5. 核心处理流程
5.1 文本预处理流程
bash
原始文本 → 去除首尾空格 → 转为小写 → 标准化输出技术要点：简单的文本规范化，为后续NLP处理做准备
5.2 情感分析流程
bash
输入文本 → 构造提示词 → Qwen API调用 → 情感标签提取 → 结果标准化技术要点：使用提示词工程确保输出格式统一
5.3 关键词提取流程
bash
输入文本 → 关键词提取提示 → API调用 → 逗号分隔格式化 → 返回结果技术要点：限定输出格式，便于后续处理
5.4 动态可视化流程
bash
节点执行开始 → 更新步骤列表 → 生成网络图 → 高亮当前节点 → 保存图片 → 界面更新技术要点：使用NetworkX实时生成流程图，提供执行反馈
五、总结
在传统的用户反馈处理中，大多数用户声音就像投入大海的石子，激不起什么涟漪。但通过智能工作流，我们能够让每个声音都被认真倾听、深度理解、有效回应。
更重要的是，我们能够将看似普通的用户抱怨，转化为产品进步的催化剂，将成本中心转化为增长引擎。以前我们是在处理用户反馈，现在我们在与用户共同创造更好的产品。这不仅是技术的进步，更是产品理念的革新。不管是作为产品体验者的我们，还是产品开发者的我们，每个声音都值得被认真对待。
