LangGraph1.0速通指南（三）—— LangGraph1.0 自动邮件处理智能体实战

前言

上期内容 LangGraph1.0速通指南（二）------ LangGraph1.0 条件边、记忆、人在回路分享了条件边、智能体记忆和人在回路等核心机制。通过点、边、条件边的组合，大家已经能够搭建起具备记忆能力并支持人工介入的智能体工作流。为了帮助大家更熟练地掌握这些概念，并体会其在真实场景中的应用，本期笔者将把前两期所学的知识------包括状态、节点、边、条件路由、记忆与中断机制------融会贯通，动手构建一个自动邮件处理智能体项目。

LangGraph1.0 与先前版本变动不大，预计花费三节左右的时间讲解，同时也要说明笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 33 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号 大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。

一、电子邮件智能体场景分析

1.1 需求分析

作为一名开发者笔者每天都需要处理大量的工作邮件------包括问题咨询、Bug 报告、账单通知、功能请求等。邮件不仅类型多样，紧急程度也各不相同，手动分类、回复耗时耗力，尤其在忙碌时更容易遗漏或延迟处理。为此笔者希望构建一个自动邮件处理智能体，它能够：

自动分类：识别邮件的类型（如问题、Bug、账单、功能请求等）与紧急程度。
智能处理：根据邮件类型执行相应操作（如为 Bug 创建跟踪工单，为其他问题搜索内部文档获取解答）。
自动生成回复：基于分类与处理结果，生成有针对性的回复内容。
审核机制：在必要时（如涉及重要决策或复杂问题）暂停流程，引入人工审核，确保回复准确性与安全性。

该智能体将帮助笔者提升邮件处理效率，同时通过"人在回路"保证对自动回复的可控制。

1.2 根据需求分析设计图

基于以上需求笔者设计的智能体将具备以下核心功能流程：

邮件提取与解析：从收件箱获取原始邮件，提取关键内容（发件人、主题、正文等）。
自动分类与路由：对邮件内容进行分类，并依据类别决定后续处理路径。
内容处理与生成：
- 若为 Bug 报告，在错误跟踪系统中说明已经收到并跟踪错误；
- 若为其他类别（如问题咨询），则在内部知识库中检索相关答案。
回复生成与审核：
- 根据处理结果生成回复草稿；
- 依据邮件类别与紧急程度，决定是否发送至人工审核节点；
- 审核通过后自动发送邮件，或由人工修订后发出。

整体流程可通过以下示意图概括：

二、项目代码编写

2.1 定义智能体状态

环境配置与模型初始化： 首先配置项目环境并初始化大语言模型，本次同样使用deepseek模型，需要提前执行pip install langchain-deepseek安装相关的依赖包，并在项目文件夹下新建.env文件，将注册的DeepSeek API填入该文件中。

python 复制代码

import uuid
import os
from typing import Literal, TypedDict
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek
from langgraph.types import Command, interrupt
from langgraph.graph import END, START, StateGraph
from langgraph.checkpoint.memory import InMemorySaver

load_dotenv()

llm = ChatDeepSeek(
    model="deepseek-chat",
)

定义状态数据结构： 智能体的状态设计需要与工作流节点相匹配，确保每个节点的输入输出都有明确的数据结构。EmailAgentState的设计从上到下分别是读取邮件节点、分类节点、bug追踪节点、文档查询节点、自动撰写节点的相关内容。本项目处理的是单封邮件的独立流程，因此未使用笔者在《LangGraph1.0速通指南（一）------ 核心概念、点、边》中介绍的reducer进行状态聚合。但在需要处理连续对话或多轮交互的场景中，reducer机制将是管理状态演进的关键工具。

python 复制代码

# 1. 定义图状态State
class EmailClassification(TypedDict):
    # 分类包括问题、错误、账单、功能, 不属于这些功能就分类为复杂
    intent: Literal['question', 'bug', 'billing', 'feature', 'complex']
    # 紧急程度： 低、中、高、关键
    urgency: Literal['low', 'medium', 'high', 'critical']
    # 邮件主题
    topic: str
    # 邮件摘要
    summary: str

class EmailAgentState(TypedDict):
    # 储存读取邮件内容, 发件人邮件地址，邮件ID
    email_content: str
    sender_email: str
    email_id: str

    # 分类意图节点的结果，
    classification: EmailClassification

    # Bug tracking 错误处理系统只需要查询一些API， 这里就存储一个工单ID即可
    ticket_id: str | None

    # 搜索文档结果
    search_results: list[str] | None
    # 客户历史：客户历史是一个字典，键是客户的电子邮件，值是与该客户相关的任何搜索结果
    customer_history: dict | None

    # 生成内容:
    draft_response: str | None

2.2 定义智能体节点

邮件读取与分类节点： 首先明确读取节点与分类节点的功能。在实际生产环境下，读取节点通常通过调用特定邮箱的 API 实现，但为简化流程，笔者在此略过该节点，直接将邮件内容输入至后续分类节点。分类节点通过预设提示词，调用 DeepSeek 大模型对邮件进行分类。LangChain1.0 支持便捷的大模型结构化输出，具体方法笔者不再展开，如需深入了解可参考此前分享：LangChain1.0速通指南（一）------LangChain1.0核心升级。

python 复制代码

def read_email(state: EmailAgentState) -> EmailAgentState:
    '''
    实际生产中这一步要从邮箱提供的api中提取电子邮件，这里仅仅是演示，
    会将电子邮件直接传给分类节点，该函数简写
    '''
    pass

def classify_intent(state: EmailAgentState) -> EmailAgentState:
    "用大模型进行节点分类和紧急程度识别，然后依据结果路由"

    structured_llm = llm.with_structured_output(EmailClassification)

    classification_pormpt = f"""
    分析用户输入的邮件并进行分类
    
    邮件: {state['email_content']}
    来自: {state['sender_email']}
    
    提供分类、紧急程度、主题和内容摘要
    """

    classication = structured_llm.invoke(classification_pormpt)

    return {
        'classification': classication
    }

知识库搜索节点： 目前搜索节点仅为功能模拟，在实际部署时，可替换为对接真实知识库的检索接口。该节点接收并依据上一节点（即分类节点）输出的状态信息，从中提取邮件意图与主题，进而模拟在内部知识库中执行检索的过程。

python 复制代码

def search_documentation(state: EmailAgentState) -> EmailAgentState:
    '''
    查询知识库节点，这里模拟操作
    '''
    classification = state.get('classification', {})

    query = f"{classification.get('intent', '')}  {classification.get('topic', '')}"

    try:
        # 模拟查询的逻辑
        search_results = [
            'search_result_1',
            'search_result_2',
            'search_result_3'
        ]
    except Exception as e:
        search_results = [f'搜索接口不可用']

    return {'search_results': search_results}

Bug跟踪节点： 模拟跟踪的内容，创建跟踪工单

python 复制代码

def bug_tracking(state: EmailAgentState) -> EmailAgentState:
    '''
    模拟bug修复的相关内容
    '''
    ticket_id = f"Bug-{uuid.uuid4()} fixed"
    return {'ticket_id': ticket_id}

回复生成节点： 节点接收来自搜索节点的信息（如原始检索结果、以换行符连接的客户历史记录等），并将其作为上下文参考，指导大模型的回复生成。大模型基于邮件分类、紧急程度及所附的参考信息，生成拟回复的邮件内容。除了生成回复内容，该节点还会输出一个处理命令。该命令将根据邮件的类别与紧急程度，自动判断下一步应执行的操作------例如"直接发送回复"或"转交人工审核"。

python 复制代码

def write_response(state: EmailAgentState) -> Command[Literal['human_review', 'send_reply']]:
    '''
    根据分类结果、搜索结果等中间结果生产报告
    '''
    classification = state.get('classification', {})

    context_sections = []

    if state.get('search_results'):
        formatted_docs = "\n".join([f"- {doc}" for doc in state['search_results']])
        context_sections.append(f"相关内容:\n{formatted_docs}")
    if state.get('customer_history'):
        context_sections.append(f"Customer tier: {state['customer_history'].get('tier', 'standard')}")

    
    # 构建提示词
    draft_prompt = f"""
        撰写50字邮件回复:
        邮件内容: {state.get('email_content')}
        
        邮件分类: {classification.get('intent', 'unkown')}
        紧急程度: {classification.get('urgency', 'medium')}
        
        {chr(10).join(context_sections)}
    """

    response = llm.invoke(draft_prompt)

    # 根据紧急程度决定是否需要人类审核
    needs_review = (
        classification.get('urgency') in ['high', 'critical'] or
        classification.get('intent') == 'complex'
    )

    if needs_review:
        goto = 'human_review'
        print('需要人工审核')
    else:
        goto = 'send_reply'

    return Command(
        update={'draft_response': response.content},
        goto=goto
    )

人工审核节点和回复节点： 流程执行至该节点时，系统将自动暂停并等待人工输入。只有在邮件紧急程度为紧急或分类结果为复杂情况下，才会进入工作节点来人工确认。该节点采用中断机制，根据人工反馈的指令，节点将返回相应的路由命令，引导流程走向"结束"或"发送回复"分支。回复节点笔者这里只模拟自动发送邮件。

python 复制代码

def human_review(state: EmailAgentState) -> Command[Literal['send_reply', END]]:
    '''
    人类审查节点，审查结束后决定是否要回复该邮件
    '''
    classification = state.get('classification', {})

    human_decision = interrupt({
        "邮件ID": state['email_id'],
        "原始邮件内容": state['email_content'],
        "自动回复内容": state['draft_response'],
        '紧急程度': classification['urgency'],
        '分类': classification['intent'],
        '下一步': '请审核是否同意发送该邮件'
    })

    if human_decision=='approved':
        return Command(
            update={},
            goto='send_reply'
        )
    else:
        return Command(
            update={},
            goto=END
        )

def send_reply(state: EmailAgentState):
    print('---成功发送---')

2.3 构建智能体图

具备以上节点函数后，通过边将节点函数相连接构造智能体。智能体定义遵循 LangGraph1.0速通指南（一）------ LangGraph1.0 核心概念、点、边讲解的三步骤：定义状态、添加节点、添加边。同时由于需要使用中断机制，还需要添加内存检查点。

python 复制代码

builder = StateGraph(EmailAgentState)

builder.add_node("read_email", read_email)
builder.add_node("classify_intent", classify_intent)
builder.add_node("search_documentation",search_documentation)
builder.add_node("bug_tracking", bug_tracking)
builder.add_node("write_response", write_response)
builder.add_node("human_review",human_review)
builder.add_node("send_reply", send_reply)

builder.add_edge(START, "read_email")
builder.add_edge("read_email","classify_intent")
builder.add_edge("classify_intent","search_documentation")
builder.add_edge("classify_intent","bug_tracking")
builder.add_edge("search_documentation","write_response")
builder.add_edge("bug_tracking","write_response")
builder.add_edge("send_reply",END)

memory=InMemorySaver()
app = builder.compile(checkpointer=memory)

三、智能体测试与验证

为了验证笔者构建的邮件处理智能体是否按预期工作，下面通过两个典型场景进行测试：高紧急度Bug报告和常规问候邮件。

3.1 Bug报告处理测试

测试一个需要人工审核的高优先级Bug报告，预期的处理流程如下：

由于邮件内容包含"紧急Bug"，分类节点会将其识别为intent: bug且urgency: critical
工作流会创建Bug工单，然后进入human_review节点等待审核
系统会打印中断信息并等待人工输入
根据人工决策，邮件将被发送或终止

python 复制代码

initial_state = {
    "email_content": "我遇到了一个紧急bug, 有客户重复订阅了一个产品",
    "sender_email": "test@163.com",
    "email_id": "email_123"
}

config = {"configurable": {"thread_id": "customer_123"}}
result = app.invoke(initial_state, config=config)
print(f'准备审核的回复内容:{result['draft_response']}...\n')
if '__interrupt__' in result:
    print(f'Interrupt:{result}')
    msg = result['__interrupt__'][-1].value
    print(msg)
    human = input(f"请输入: ")
    human_response = Command(
        resume=human
    )
    final_result = app.invoke(human_response, config)

从运行结果来看，工作流成功识别出紧急Bug，创建了工单并生成了回复草稿。由于紧急程度为"critical"，系统正确触发了人工审核中断：

3.2：常规问候处理流程

测试一个无需审核的普通问候邮件，预期结果如下:

问候邮件会被分类为intent: question且urgency: low
工作流将跳过人工审核节点，直接生成并发送回复
整个过程完全自动化，无需人工干预

python 复制代码

initial_state = {
    "email_content": "你好呀，我是新同事苍井空",
    "sender_email": "test@163.com",
    "email_id": "email_123"
}

config = {"configurable": {"thread_id": "customer_123"}}
result = app.invoke(initial_state, config=config)
print(f'准备审核的回复内容:{result['draft_response']}...\n')
if '__interrupt__' in result:
    print(f'Interrupt:{result}')
    msg = result['__interrupt__'][-1].value
    print(msg)
    human = input(f"请输入: ")
    human_response = Command(
        resume=human
    )
    final_result = app.invoke(human_response, config)

从运行结果可以看出系统正确识别出低优先级问候邮件，自动生成友好回复并直接发送，无需人工介入：

完整代码大家可以关注笔者的同名微信公众号 大模型真好玩 ，并私信: LangChain智能体开发免费获取。

四、总结

本文通过构建自动邮件处理智能体，系统演示了LangGraph1.0的状态管理、条件路由、人在回路等核心机制在实战中的应用。相信大家经过实战，能更加掌握LangGraph1.0编写智能体的核心技巧。

《深入浅出LangChain&LangGraph AI Agent 智能体开发》专栏内容源自笔者在实际学习和工作中对 LangChain 与 LangGraph 的深度使用经验，旨在帮助大家系统性地、高效地掌握 AI Agent 的开发方法，在各大技术平台获得了不少关注与支持。目前已更新33讲，正在更新LangGraph1.0速通指南，并随时补充笔者在实际工作中总结的拓展知识点。如果大家感兴趣，欢迎关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号 大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。

LangGraph1.0速通指南（三）—— LangGraph1.0 自动邮件处理智能体实战

前言

一、电子邮件智能体场景分析

1.1 需求分析

1.2 根据需求分析设计图

二、项目代码编写

2.1 定义智能体状态

2.2 定义智能体节点

2.3 构建智能体图

三、 智能体测试与验证

3.1 Bug报告处理测试

3.2：常规问候处理流程

四、总结

三、智能体测试与验证