langGraph从入门到精通（七）——基于 LangGraph 的结构化数据AI 代理自动入库实战

基于 LangGraph 的结构化数据AI 代理自动入库实战

1 导语

在企业级 AI 应用中，仅能"聊天"的 Agent 远远不够，如何将对话中的关键信息自动识别并精准持久化 到业务数据库，是实现业务闭环的关键。本文将带你通过一个亲测有效的实战案例，掌握利用 LangGraph 的条件边（Conditional Edges）与 SQLAlchemy ORM 框架，构建一个能够自动识别用户信息并将其存储至 MySQL 数据库的智能代理系统。

2 技术栈清单

Python == 3.11.14
langgraph == 1.0.5
langchain-core == 1.2.7
SQLAlchemy == 2.0.x
PyMySQL == 1.1.x
MySQL == 8.0/5.7

3 项目核心原理

本项目核心在于利用 LangGraph 的 StateGraph 进行工作流编排。系统通过 LLM 的 Structured Output（结构化输出） 能力将非结构化对话转化为 Pydantic 模型对象。随后，通过 Conditional Edges（条件边） 进行逻辑分流：若提取到有效用户信息，则流转至数据库操作节点；否则执行普通对话回复。

4 实战步骤

4.1 环境准备

首先需要配置数据库连接信息，并安装必要的数据库驱动与 ORM 框架。

bash 复制代码

# 安装数据库连接相关依赖
pip install sqlalchemy==2.0.31 pymysql==1.1.1 langgraph==1.0.5

4.2 代码实现

4.2.1 数据库模型与会话配置

使用 SQLAlchemy 定义 User 模型，映射至数据库中的 users 表。

python 复制代码

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.orm import declarative_base, sessionmaker

Base = declarative_base()

class User(Base): # 定义 ORM 模型
    __tablename__ = 'users'
    id = Column(Integer, primary_key=True)
    name = Column(String(50))
    age = Column(Integer)
    email = Column(String(100))
    phone = Column(String(15))

# 数据库连接 URI (需替换为实际配置)
DATABASE_URI = 'mysql+pymysql://user:pass@localhost:3306/db'
engine = create_engine(DATABASE_URI)
Session = sessionmaker(bind=engine)

4.2.2 核心节点逻辑

编写数据库插入节点，利用 Session 将 AI 提取的数据写入。

python 复制代码

def insert_db(state): # 数据库存储节点
    session = Session()
    try:
        output = state['messages'][-1].final_output # 获取上一个节点的结构化输出
        user = User(name=output.name, age=output.age, email=output.email, phone=output.phone)
        session.add(user) # 添加记录
        session.commit() # 提交事务
        return {"messages": ["数据已成功存储至数据库。"]}
    except Exception as e:
        session.rollback() # 异常回滚
        return {"messages": [f"存储失败：{e}"]}
    finally:
        session.close() # 关闭会 fancy 话

4.2.3 图编排与条件路由

通过 add_conditional_edges 实现根据 AI 输出类型自动选择路径。

python 复制代码

# 构建状态图
graph = StateGraph(AgentState)
graph.add_node("chat_with_model", chat_with_model)
graph.add_node("insert_db", insert_db)

graph.add_conditional_edges(
    "chat_with_model",
    generate_branch, # 路由决策函数
    {True: "insert_db", False: "final_answer"} # 路径映射
)

4.3 功能测试

输入包含个人信息的语句，验证系统是否能够自动识别并完成入库。

python 复制代码

query = "我叫奥特曼，今年38岁，邮箱地址是aoteman@qq.com"
result = graph.invoke({"messages": [HumanMessage(content=query)]})

5 核心代码解析

5.1 条件边路由逻辑解析

划重点：这是实现复杂业务逻辑的核心。

python 复制代码

def generate_branch(state):
    output = state['messages'][-1].final_output
    return isinstance(output, UserInfo)

核心作用：作为图的"指挥官"，判断 LLM 的输出是属于用户信息还是普通聊天。
为何这样实现 ：通过 isinstance 检查对象类型，实现了业务逻辑的硬编码控制与 AI 生成能力的完美解耦。

5.2 SQLAlchemy 会话管理设计

python 复制代码

session = Session() # 确保为每次操作创建新的会话

核心作用：保证数据库连接的线程安全性。
关键参数 ：Session 配合 try...except...finally 结构，确保了即使在分布式环境下，数据库事务也能正确提交或回滚，避免连接泄露。

6 效果验证

执行后，控制台会输出 echo=True 的 SQL 语句，同时数据库 users 表中会新增对应记录。

7 踩坑记录

7.1 DATABASE_URI 格式错误

错误现象 ：NoSuchModuleError: Can't load plugin: sqlalchemy.dialects.mysql.pymysql
根因分析 ：未安装 pymysql 驱动或连接串拼写错误。
解决方案 ：亲测有效 的连接串格式为 mysql+pymysql://user:pass@host:port/db?charset=utf8mb4。

7.2 Session 提交后未关闭

错误现象：数据库连接池溢出，后续检测任务挂起。
根因分析 ：在节点函数中打开了 Session 但未在 finally 中关闭。
解决方案：严格执行"打开-使用-关闭"的生命周期管理。

7.3 Structured Output 类型判断失效

错误现象 ：总是跳转到 final_answer 节点。
根因分析 ：模型输出的 Pydantic 对象与 generate_branch 中判断的类型不一致。
解决方案 ：检查 with_structured_output 绑定的类定义，确保路由函数识别准确。

8 总结与扩展

本文通过 LangGraph + SQLAlchemy 实现了从语义理解到持久化存储的全自动化。核心收获 在于理解了如何通过条件边来管理 Agent 的执行路径。未来我们可以进一步扩展，在 insert_db 节点之前加入人工确认节点（Human-in-the-loop），确保入库数据的 100% 准确。

欢迎评论区留言讨论核心主题相关的问题~