LangGraph 实战：10分钟打造带“人工审批”的智能体流水线 (Python + LangChain)

关键词：LangGraph, LangChain, 状态机, SOP, Human-in-the-loop

大家好，我是飞哥！👋

前两周我们学习了 LlamaIndex (最强大脑) 和 AutoGen (最强团队)。

按理说，有了这两个神器，什么应用做不出来？

但当你真正把 AutoGen 做的客服系统上线后，老板可能会找你谈话：

老板 ："飞哥，昨天有个用户说要退款，你的 AI 也没查订单状态，直接就答应了？而且那个订单金额是 10 万块！AI 居然没问我直接批了？"
你："呃...那个 Agent 比较热心肠..."

痛点 ：🤯

AutoGen 这种"多 Agent 自由讨论"的模式，适合创意型任务 （写研报、写代码）。

但对于业务型任务 （退款、审批、报销），企业需要的是严谨的 SOP (标准作业程序)，绝不允许 AI 自由发挥。

💡 解决方案 ：

我们需要把 AI 从"自由讨论室"拉到"工厂流水线"上。

这就是 LangGraph 的使命 ------ 构建有状态、可控的图应用。

---

1. 为什么你需要 LangGraph？(Why) 🤔

生动类比 🍎：

• AutoGen = 头脑风暴会议 🗣️。大家七嘴八舌，最后也能讨论出结果，但过程不可控，适合创意。
• LangGraph = 肯德基后厨流水线 🍔。
  • State (托盘)：一个托盘在流水线上流动，上面放着汉堡胚（用户需求）。
  • Node (工位) ：
    • 工位 1 (意图识别) 🤖：服务员看单子。是做"香辣鸡腿堡"还是"牛肉堡"？（决定去哪个分支）
    • 工位 2 (规则检查) ⚖️：称重员检查。肉饼有没有少于 100g？（金额 > 1000？）
    • 工位 3 (人工审批) 🛑：质检员发现肉饼颜色不对，按停传送带！喊店长（人类）过来确认。店长说"行"，才能继续包装；店长说"不行"，直接扔掉。（Human-in-the-loop）
    • 工位 4 (执行) 💸：打包员装袋，递给顾客。

核心价值 💎：

LangGraph 让你能用代码画出这张"流程图"，并且强制 AI 沿着线走。最重要的是，它支持 Human-in-the-loop (人在回路) ------ 关键时刻，必须人来拍板，AI 才能继续。

---

2. 核心概念提炼 (Skeleton) 🦴

LangGraph 的世界里主要有这几个概念：

1. State (状态) 📦：
   • 流水线上的"包裹"。所有节点都在读写这个包裹里的数据（比如 order_id, status）。
2. Node (节点) 👷：
   • 流水线上的"工位"。可以是 LLM，可以是 Python 函数，也可以是 API 调用。
3. Edge (边) 🔗：
   • 连接工位的"传送带"。
   • Conditional Edge (条件边) 🔀：智能分拣机。如果 amount > 1000，传送到"经理室"；否则传送到"财务室"。
4. START & END 🏁：
   • 图的入口 和出口。

---

3. 实战项目：智能客服"工单自动处理流" 🛠️

我们要实现一个严谨的退款系统，绝不让 AI 乱批款。

📦 安装依赖

pip install langgraph langchain-openai langchain-core

• langgraph ：本次课程的主角。它负责画图 （定义状态、节点、边），并管理整个流水线的运行（包括暂停、恢复）。
• langchain-core ：LangChain 家族的基础组件。它定义了 BaseMessage（消息格式）、PromptTemplate（提示词模版）等通用标准，相当于乐高的"基础积木块"。
• langchain-openai：连接 OpenAI 模型的桥梁。如果我们的节点需要调用 GPT-4 进行意图识别或生成回复，就得靠它。

📊 流程设计图

是退款
闲聊
金额 < 1000
金额 >= 1000
经理同意
经理拒绝
用户输入
意图识别节点
退款规则检查节点
直接回复
自动批准
经理审批节点
拒绝退款

💻 核心代码拆解

第一步：定义状态 (包裹里有什么？) 📦

from typing import TypedDict, Annotated, List, Optional
import operator
from langchain_core.messages import BaseMessage

class AgentState(TypedDict):
    messages: Annotated[List[BaseMessage], operator.add] # 聊天记录 (使用 operator.add 追加新消息)
    order_id: Optional[str]        # 订单号
    amount: Optional[float]        # 订单金额
    # 状态机核心字段：
    # pending: 初始状态
    # waiting_approval: 等待经理审批 (金额 > 1000)
    # approved: 已批准 (金额 < 1000 或 经理同意)
    # rejected: 已拒绝 (经理拒绝)
    refund_status: str             

第二步：定义节点 (工人在干什么？) 👷

def node_process_refund(state: AgentState):
    """
    退款规则检查节点
    输入: state['order_id']
    输出: 更新 state['amount'] 和 state['refund_status']
    """
    
    # 模拟查询数据库
    def get_order_amount(order_id):
        # 假设所有订单都是 1200 元 (大于 1000，触发审批)
        return 1200.0
    
    amount = get_order_amount(state['order_id']) 
    
    # 规则引擎逻辑
    if amount > 1000:
        print("⚠️ 金额 > 1000, 需要经理审批")
        # 返回的部分数据会自动 merge 到 State 中
        return {"amount": amount, "refund_status": "waiting_approval"}
    else:
        print("✅ 金额 < 1000, 自动批准")
        return {"amount": amount, "refund_status": "approved"}

def node_human_approval(state: AgentState):
    """
    人工审批节点
    注意：这里其实是个空函数，因为我们会在进入这个节点前使用 interrupt_before 暂停。
    当人工 update_state 后，会直接跳过这个节点的执行，进入下一个节点。
    """
    pass

第三步：构建图与人工介入 (关键！) 🛑

这里最神奇的是 interrupt_before。它告诉 LangGraph：在进入 human_approval 节点之前，把程序暂停，把状态存到数据库里（MemorySaver），然后等待指令！

注意：这里的"暂停"不是进程退出，而是图的执行挂起。如果你用的是 Web 服务，这意味着 API 请求结束，等待下一个 API 请求来唤醒它。

from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver

# 构建图
workflow = StateGraph(AgentState)

# 1. 添加节点 (Add Nodes)
# 注册我们的"工人"和"工位"
workflow.add_node("process", node_process_refund)
workflow.add_node("human_approval", node_human_approval) 

# 2. 设置入口 (Set Entry Point)
# 告诉图从哪里开始跑 (这里假设直接进入 process)
workflow.set_entry_point("process")

# 3. 添加条件边 (Conditional Edges)
# 相当于流水线上的"分拣机"
def route_process(state):
    # 如果状态是 waiting_approval，就传送到 human_approval 工位
    if state['refund_status'] == "waiting_approval":
        return "human_approval"
    # 否则直接结束 (END)
    return END

# 将 process 节点连接到分拣逻辑 (route_process)
# 意味着：process 跑完后，下一步去哪儿？问问 route_process！
workflow.add_conditional_edges("process", route_process)

# 4. 添加普通边 (Edges)
# 经理审批完，直接结束
workflow.add_edge("human_approval", END)

# 5. 编译图 (Compile)
# memory: 用于保存图的运行状态 (Checkpointer)
memory = MemorySaver()

app = workflow.compile(
    checkpointer=memory, 
    # interrupt_before: 在进入这些节点之前，强制暂停！
    # 这是实现 Human-in-the-loop 的关键
    interrupt_before=["human_approval"] 
)

第四步：运行与交互 (Human-in-the-loop) 🤝

当程序暂停时，你可以去喝杯咖啡。回来后，经理输入 yes，程序会从断点处恢复执行。

# 1. 配置 (Config)
# thread_id: 每个用户的对话都有唯一的 ID，类似微信号
config = {"configurable": {"thread_id": "thread-1"}}

# 2. 初始运行 (Run)
# 我们只给一个空的输入，因为这里假设从 process 节点开始，它会自己去查 order_id
print("🚀 系统启动...")
for event in app.stream({"order_id": "BIG888"}, config=config):
    # stream 会逐步输出每个节点的执行结果
    pass

# 3. 检查断点 (Check Interrupt)
# 运行结束后，检查一下图的状态
state = app.get_state(config)
if state.next and "human_approval" in state.next:
    # 发现下个节点是 human_approval，说明被暂停了！
    print(f"🛑 触发风控！等待经理审批... (金额: {state.values['amount']})")
    
    user_input = input("经理是否批准？(yes/no): ")
    
    if user_input == "yes":
        # 4. 人工干预 (Human Intervention)
        # 经理说 OK，我们直接修改图里的状态
        print("✅ 经理已批准，更新状态为 approved")
        app.update_state(config, {"refund_status": "approved"})
    else:
        print("❌ 经理已拒绝，更新状态为 rejected")
        app.update_state(config, {"refund_status": "rejected"})

    # 5. 恢复执行 (Resume)
    # 再次调用 stream，这次传入 None，LangGraph 会自动从断点处继续跑
    print("▶️ 继续执行后续流程...")
    for event in app.stream(None, config=config):
        pass

🎯 运行结果展示

当你运行这段代码时，你会看到类似下面的交互过程：

🚀 系统启动...
⚠️ 金额 > 1000, 需要经理审批
🛑 触发风控！等待经理审批... (金额: 1200.0)
经理是否批准？(yes/no): yes
✅ 经理已批准，更新状态为 approved
▶️ 继续执行后续流程...
✅ 金额 < 1000, 自动批准 (注意：这里可能是后续节点的日志)

看！这就是 Human-in-the-loop 的魅力。

AI 跑得再快，关键时刻也得停下来听你的。这种"暂停-修改-继续"的能力，正是传统自动化脚本做不到的，也是构建负责任 AI (Responsible AI) 的基石。

---

4. 飞哥总结 📝

• AutoGen 是文科生，擅长创意、协作、发散思维。
• LangGraph 是理科生，擅长逻辑、规则、流程控制。

在真正的企业级 AI 应用（如 ERP、CRM、OA 系统）中，LangGraph 才是那个能让老板放心的"定海神针"。

下期预告 ：

做好了功能，怎么知道 AI 到底稳不稳定？会不会哪天突然变笨了？

下周我们将进入 LLMOps (运维与监控) 的世界，教你用 LangSmith 监控 AI 的一举一动！

创作不易，记得👇关注飞哥👇 ，点赞、收藏哦~~，下篇见👋