【大模型Agent】基于LangGraph搭建 多轮对话客户支持机器人 项目示例

白熊1882026-04-29 12:53

需收集信息
意图分类
问候
一般咨询
订单问题
投诉
转人工
有缺失信息
信息齐全
有缺失信息
信息齐全
触发中断
人工确认后继续
仍有缺失信息
信息已补齐
开始
入口路由
信息收集
意图分类
处理问候
处理咨询
处理订单
处理投诉
转人工请求
结束
升级至人工
⏸ 暂停：等待人工接入
发送转接消息
结束，等待用户回复

基于LangGraph搭建 多轮对话客户支持机器人 项目示例

下面基于 LangGraph 实现一个完整的多轮对话客户支持机器人。这个项目会展示信息收集、意图路由、条件循环、工单创建、人工升级等多步骤流程。

项目结构

复制代码 
customer_support_bot/
├── bot.py            # 主程序，包含图定义和执行逻辑
└── requirements.txt  # 依赖

你可以直接复制代码运行，所有核心逻辑都在 bot.py 中。

1. 状态设计

python 复制代码 
from typing import TypedDict, Annotated, List
import operator

class CustomerState(TypedDict):
    messages: Annotated[List[dict], operator.add]   # 完整对话历史，自动追加
    user_email: str
    user_order_id: str
    intent: str
    missing_fields: List[str]   # 当前还缺少的信息字段，如 ['email','order_id']
    ticket_created: bool

messages 使用 operator.add 作为 reducer，意味着每次节点返回的新消息会自动拼接到历史里，非常适合多轮对话。

2. 节点函数（模拟真实业务）

python 复制代码 
import re

# ---------- 工具函数 ----------
def extract_email(text: str):
    match = re.search(r'[\w\.-]+@[\w\.-]+\.\w+', text)
    return match.group(0) if match else None

def extract_order_id(text: str):
    match = re.search(r'[A-Z]{2,4}-\d{4,6}', text)  # 形如 ABC-12345
    return match.group(0) if match else None

# ---------- 节点实现 ----------
def entry_router(state: CustomerState):
    """入口路由：如果之前有缺失信息未补齐，则继续信息收集，否则进入意图分类"""
    if state.get("missing_fields"):
        return {"next_node": "collect_info"}
    return {"next_node": "classify_intent"}

def classify_intent(state: CustomerState):
    """分析用户意图（简化：关键词匹配）"""
    last_msg = state["messages"][-1]["content"].lower()
    if any(w in last_msg for w in ["你好", "嗨", "hello"]):
        intent = "greeting"
        missing = []
    elif any(w in last_msg for w in ["订单", "order", "物流"]):
        intent = "order_issue"
        # 检查是否已有信息
        missing = []
        if not state.get("user_email"):
            missing.append("email")
        if not state.get("user_order_id"):
            missing.append("order_id")
    elif any(w in last_msg for w in ["投诉", "complain"]):
        intent = "complaint"
        missing = []
    elif any(w in last_msg for w in ["人工", "客服"]):
        intent = "human"
        missing = []
    else:
        intent = "question"
        missing = []
        if not state.get("user_email"):   # 普通咨询也建议留邮箱以便跟进
            missing.append("email")
    return {"intent": intent, "missing_fields": missing}

def collect_info(state: CustomerState):
    """从用户最新消息中提取信息，并判断是否仍缺失字段"""
    last_msg = state["messages"][-1]["content"]
    # 尝试提取
    email = extract_email(last_msg)
    order_id = extract_order_id(last_msg)
    updates = {}
    if email:
        updates["user_email"] = email
    if order_id:
        updates["user_order_id"] = order_id

    # 更新 missing_fields
    current_missing = state.get("missing_fields", [])
    new_missing = [f for f in current_missing if (
        (f == "email" and not (email or state.get("user_email"))) or
        (f == "order_id" and not (order_id or state.get("user_order_id")))
    )]
    updates["missing_fields"] = new_missing

    # 如果还有缺失，反问用户
    if new_missing:
        prompt_map = {
            "email": "请提供您的邮箱地址，方便我们联系您。",
            "order_id": "请提供您的订单号（格式如 ABC-12345）。"
        }
        questions = [prompt_map[f] for f in new_missing]
        assistant_msg = {"role": "assistant", "content": " ".join(questions)}
        updates["messages"] = [assistant_msg]
    else:
        updates["messages"] = [{"role": "assistant", "content": "感谢您的配合，正在为您处理..."}]
    return updates

def handle_greeting(state: CustomerState):
    return {"messages": [{"role": "assistant", "content": "您好！我是智能助手，有什么可以帮您？"}]}

def handle_question(state: CustomerState):
    # 模拟查询 FAQ
    return {"messages": [{"role": "assistant", "content": "根据您的问题，建议您查看我们的帮助中心：https://help.example.com/faq"}]}

def handle_order_issue(state: CustomerState):
    # 创建工单
    ticket_id = f"TK-{hash(state['user_email'] + state['user_order_id']) % 10000:04d}"
    return {
        "ticket_created": True,
        "messages": [{"role": "assistant", "content": f"已为您创建工单 {ticket_id}，我们的客服会在24小时内联系您。"}]
    }

def handle_complaint(state: CustomerState):
    # 直接转人工（中断点将在 escalate_to_human 前触发）
    return {"next_node": "escalate_to_human"}

def handle_human(state: CustomerState):
    return {"next_node": "escalate_to_human"}

def escalate_to_human(state: CustomerState):
    """转人工节点（会在此前中断，等待外部提供人工回复）"""
    # 如果没有中断，会执行到这里。但通常会被 interrupt_before 拦截
    return {"messages": [{"role": "assistant", "content": "正在为您转接人工客服，请稍候..."}]}

3. 构建图

python 复制代码 
from langgraph.graph import StateGraph, END

def build_graph():
    graph = StateGraph(CustomerState)

    # 添加节点
    graph.add_node("entry_router", entry_router)
    graph.add_node("classify_intent", classify_intent)
    graph.add_node("collect_info", collect_info)
    graph.add_node("handle_greeting", handle_greeting)
    graph.add_node("handle_question", handle_question)
    graph.add_node("handle_order_issue", handle_order_issue)
    graph.add_node("handle_complaint", handle_complaint)
    graph.add_node("handle_human", handle_human)
    graph.add_node("escalate_to_human", escalate_to_human)

    # 设置入口
    graph.set_entry_point("entry_router")

    # entry_router 条件边
    graph.add_conditional_edges(
        "entry_router",
        lambda s: s.get("next_node", "classify_intent"),
        {
            "collect_info": "collect_info",
            "classify_intent": "classify_intent"
        }
    )

    # classify_intent 条件边：按意图分派
    graph.add_conditional_edges(
        "classify_intent",
        lambda s: s["intent"],
        {
            "greeting": "handle_greeting",
            "question": "handle_question",
            "order_issue": "handle_order_issue",
            "complaint": "handle_complaint",
            "human": "handle_human"
        }
    )

    # 订单处理：先检查信息是否齐全（条件边）
    graph.add_conditional_edges(
        "handle_order_issue",
        lambda s: "collect_info" if s.get("missing_fields") else "end",
        {"collect_info": "collect_info", "end": END}
    )

    # 普通咨询也需信息检查
    graph.add_conditional_edges(
        "handle_question",
        lambda s: "collect_info" if s.get("missing_fields") else "end",
        {"collect_info": "collect_info", "end": END}
    )

    # 投诉和人工请求直接去转人工节点（但在此之前会被中断）
    graph.add_edge("handle_complaint", "escalate_to_human")
    graph.add_edge("handle_human", "escalate_to_human")

    # 信息收集后：若仍缺失，结束并等待用户回复；否则回到入口路由
    graph.add_conditional_edges(
        "collect_info",
        lambda s: "end" if s.get("missing_fields") else "entry_router",
        {"end": END, "entry_router": "entry_router"}
    )

    # 其他节点直接结束
    graph.add_edge("handle_greeting", END)
    graph.add_edge("escalate_to_human", END)

    # 编译，并在 escalate_to_human 前插入中断点
    from langgraph.checkpoint.memory import MemorySaver
    memory = MemorySaver()
    app = graph.compile(checkpointer=memory, interrupt_before=["escalate_to_human"])
    return app

关键设计：

  • 每次用户输入后运行图，图从 entry_router 开始。如果有缺失信息（missing_fields 非空），直接进入信息收集。
  • 信息收集节点提取内容：如果仍有缺失，反问用户并结束；如果补齐，则回到 entry_router 重新分类意图。
  • 转人工前设置 interrupt_before，图会暂停，外部可以检查并注入人工回复后继续。

4. 运行与多轮对话演示

python 复制代码 
if __name__ == "__main__":
    app = build_graph()

    # 线程 ID 用于持久化状态（同一对话使用同一个 thread_id）
    config = {"configurable": {"thread_id": "user-123"}}

    # 轮次1：用户发起订单咨询
    inputs = {"messages": [{"role": "user", "content": "我的订单怎么还没到？"}]}
    for event in app.stream(inputs, config):
        for k, v in event.items():
            if "messages" in v:
                print(f"[{k}] {v['messages'][-1]['content']}")

    print("--- 第1轮结束，等待用户提供信息 ---\n")

    # 轮次2：用户提供邮箱
    inputs = {"messages": [{"role": "user", "content": "我的邮箱是 user@example.com"}]}
    for event in app.stream(inputs, config):
        for k, v in event.items():
            if "messages" in v:
                print(f"[{k}] {v['messages'][-1]['content']}")

    print("--- 第2轮结束，还缺订单号 ---\n")

    # 轮次3：用户提供订单号
    inputs = {"messages": [{"role": "user", "content": "订单号是 ORD-98765"}]}
    for event in app.stream(inputs, config):
        for k, v in event.items():
            if "messages" in v:
                print(f"[{k}] {v['messages'][-1]['content']}")

    print("--- 第3轮结束，工单已创建 ---\n")

    # 轮次4：用户要求转人工（将触发中断）
    inputs = {"messages": [{"role": "user", "content": "我要投诉！"}]}
    # 第一次 stream 会停在 escalate_to_human 前
    for event in app.stream(inputs, config):
        for k, v in event.items():
            if "messages" in v:
                print(f"[{k}] {v['messages'][-1]['content']}")

    # 检查状态
    snapshot = app.get_state(config)
    print(f"状态: next=({snapshot.next})")   # 会输出 ('escalate_to_human',) 表示中断在此

    # 模拟人工客服接管，更新状态继续执行
    app.update_state(config, {"messages": [{"role": "assistant", "content": "人工客服已接入：您好，我是客服小张，了解您的不便..."}]})
    # 继续执行
    for event in app.stream(None, config):
        for k, v in event.items():
            if "messages" in v:
                print(f"[{k}] {v['messages'][-1]['content']}")

运行输出示例：

复制代码 
[collect_info] 请提供您的邮箱地址，方便我们联系您。
--- 第1轮结束，等待用户提供信息 ---

[collect_info] 请提供您的订单号（格式如 ABC-12345）。
--- 第2轮结束，还缺订单号 ---

[handle_order_issue] 已为您创建工单 TK-7623，我们的客服会在24小时内联系您。
--- 第3轮结束，工单已创建 ---

[escalate_to_human] 正在为您转接人工客服，请稍候...
状态: next=('escalate_to_human',)
[escalate_to_human] 人工客服已接入：您好，我是客服小张，了解您的不便...

5. 项目说明

跨轮对话的持久化

我们使用了 MemorySaver 作为检查点存储器，同一个 thread_id 的多次 stream 调用会共享状态。这意味着即使程序重启，只要换用持久化存储器（如 SQLite），对话也可以无缝恢复。

人在回路（Human-in-the-Loop）

interrupt_before=["escalate_to_human"] 让图在进入人工节点前自动暂停。开发者可以检查状态，展示给人工专员，通过 app.update_state 注入人工回复后继续执行。这个机制也非常适合审批流、高风险操作确认等场景。

如何与真实 LLM 集成

示例中的意图分类和信息提取都使用了简化的正则与关键词匹配。在实际项目中，只需要将 classify_intent 和 collect_info 中的逻辑替换为调用 LLM（如 GPT-4），并返回结构化输出即可。

扩展方向

  • 增加知识库检索节点，连接向量数据库。
  • 增加情绪识别，在用户愤怒时自动升级。
  • 引入子图，把工单创建、日志记录等作为独立的子流程。
  • 部署到 LangGraph Platform，获得监控和可视化能力。

这个项目完整展示了 LangGraph 在多轮对话场景下的核心能力：状态管理、条件路由、信息收集循环、人工介入。你可以把它作为骨架，快速替换内部逻辑为真实 API，搭建生产级客户支持系统。

相关推荐
love在水一方1 小时前
【Voxel-SLAM】Data Structures / 数据结构文档（二）
数据结构·人工智能·机器学习
ConardLi1 小时前
开源我的 GPT-Image2 生图 Skill，附大量玩法指南
前端·人工智能·后端
QYR_111 小时前
2026卷绕式扣式电池产业洞察：智能制造如何重塑微型储能格局？
人工智能·市场调研
白熊1881 小时前
【大模型Agent】LangGraph 深度科普：为智能体而生的“有状态”编排框架
人工智能·langchain·agent·langgraph
数智工坊1 小时前
【SIoU Loss论文阅读】：引入角度感知的框回归损失，让检测收敛更快更准
论文阅读·人工智能·深度学习·机器学习·数据挖掘·回归·cnn
bloglin999991 小时前
向量大模型升级可能改变向量空间（需要回归）
人工智能·数据挖掘·回归
AI技术增长1 小时前
Pytorch图像去噪实战（三）：ResUNet图像去噪模型实战，解决UNet深层训练不稳定问题
人工智能·pytorch·深度学习
TDengine （老段）1 小时前
工业软件的未来：构建在工业数据底座之上的 AI Agent
大数据·数据库·人工智能·时序数据库·tdengine
aLTttY1 小时前
Spring Boot集成AI大模型实战：从0到1打造智能应用
人工智能·spring boot·后端
热门推荐
01GitHub 镜像站点02近期有什么ai的新消息，新动态？ 2026.4月032026年4月AI大事件深度解读：大模型竞争进入“深水区“04Codex 接入 DeepSeek API 完整配置文档052026年AI编程工具终极横评：Cursor vs Claude Code vs Copilot06【AI】2026 年具身智能模型和世界模型总结07在Windows 11上安装Docker的踩坑记录08零基础教你claude code 接入 deepseek V4092026年AI前瞻：量子AI、具身智能与科学发现的新纪元10VSCode + Copilot下：配置并使用 DeepSeek