用 LangGraph 从零搭一个客服 Agent：多轮对话 + 工具调用全流程
本文以「智能客服 Agent」为例，手把手带你用 LangGraph 实现：意图分类 → 工具调用（查订单/查知识库） → 生成回答 → 多轮记忆 → 人工转接。代码可直接运行。
这个 Agent 要解决什么问题
一个真实的客服场景，用户可能问：
- "我的订单什么时候发货？"（需要查订单系统）
- "你们的退款政策是什么？"（需要查知识库）
- "我要投诉！"（需要转人工）
- 以及各种追问......（需要记住上下文）
用传统写法就是一堆 if/else 加手动维护消息列表。今天用 LangGraph 来做，整个流程用图来描述，逻辑清晰，状态自动管理。
流程设计
整个 Agent 的流程如下：
用户输入
↓
意图分类节点（订单/退款/产品/转人工）
↓
┌──────────┬────────────┬──────────┐
查询工具节点 RAG检索节点 人工转接节点
└──────────┴────────────┴──────────┘
↓（合并）
Claude 生成回答节点
↓
满意度判断（继续对话？）
↓ 是 → 回到意图分类（循环）
↓ 否
结束 / 存档这里有几个 LangGraph 的核心用法：条件边 （意图分类后的分叉）、工具节点 （查订单/RAG）、Checkpoint （多轮记忆）、interrupt（人工转接）。
环境准备
bash
pip install langgraph langchain-anthropic langchain-community chromadb
export ANTHROPIC_API_KEY="sk-ant-api03-..."Step 1：定义 State
State 是贯穿全图的"工作内存"，所有节点都从这里读数据、往这里写数据：
python
from typing import TypedDict, Annotated, Optional
from langchain_core.messages import BaseMessage
import operator
class CustomerServiceState(TypedDict):
# 对话历史（operator.add = 追加，不覆盖）
messages: Annotated[list[BaseMessage], operator.add]
# 意图分类结果
intent: Optional[str]
# 工具查询结果
tool_result: Optional[str]
# 是否需要人工介入
needs_human: bool
# 对话轮次
turn_count: intAnnotated[list, operator.add] 是 LangGraph 的 reducer 机制：多轮对话中每次只追加新消息，而不是覆盖整个列表，历史记录自动保留。
Step 2：意图分类节点
python
from langchain_anthropic import ChatAnthropic
from langchain_core.messages import HumanMessage, SystemMessage
model = ChatAnthropic(model="claude-sonnet-4-20250514")
def classify_intent(state: CustomerServiceState) -> dict:
"""分析用户最新消息，判断意图类型"""
last_user_msg = ""
for msg in reversed(state["messages"]):
if isinstance(msg, HumanMessage):
last_user_msg = msg.content
break
classify_prompt = f"""
分析用户消息，返回以下之一：
- "order"：涉及订单查询、物流、发货
- "refund"：涉及退款、退货、投诉
- "product"：涉及产品功能、使用方法、价格
- "human"：用户明确要求转人工，或情绪激动
用户消息：{last_user_msg}
只返回对应的英文标签，不要其他内容。
"""
response = model.invoke([SystemMessage(content=classify_prompt)])
intent = response.content.strip().lower()
# 容错处理
if intent not in ["order", "refund", "product", "human"]:
intent = "product"
return {
"intent": intent,
"turn_count": state.get("turn_count", 0) + 1
}Step 3：工具节点
订单查询节点
python
def query_order_tool(state: CustomerServiceState) -> dict:
"""模拟调用订单系统 API"""
# 实际项目中替换为真实 API 调用
last_msg = state["messages"][-1].content
# 简单模拟：从消息中提取订单号
import re
order_match = re.search(r'(ORD|订单)[- ]?(\d+)', last_msg, re.IGNORECASE)
if order_match:
order_id = order_match.group(2)
result = f"订单 {order_id} 状态：已发货，预计明天到达，快递单号：SF1234567890"
else:
result = "未找到订单号，请提供您的订单编号（如 ORD12345）"
return {"tool_result": result}RAG 知识库检索节点
python
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
# 初始化知识库（实际项目中提前构建好）
def build_knowledge_base():
docs = [
"退款政策：商品签收后7天内可申请无理由退款，需保持商品完好。",
"发货时间：工作日下单，48小时内发货；节假日顺延。",
"退款流程：在订单页点击「申请退款」，填写原因，1-3个工作日审核。",
"产品保修：所有产品提供1年质保，人为损坏不在范围内。",
]
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
vectorstore = Chroma.from_texts(docs, embeddings)
return vectorstore
# vectorstore = build_knowledge_base() # 实际使用时取消注释
def rag_retrieval_tool(state: CustomerServiceState) -> dict:
"""从知识库检索相关信息"""
last_msg = state["messages"][-1].content
# 实际项目中：
# results = vectorstore.similarity_search(last_msg, k=2)
# result = "\n".join([doc.page_content for doc in results])
# 这里简单模拟
result = "根据知识库：商品签收后7天内可申请无理由退款，退款1-3个工作日到账。"
return {"tool_result": result}人工转接节点
python
def transfer_to_human(state: CustomerServiceState) -> dict:
"""标记需要人工介入"""
return {
"needs_human": True,
"tool_result": "正在为您转接人工客服，预计等待时间 2-3 分钟..."
}Step 4：Claude 生成回答节点
python
from langchain_core.messages import AIMessage
def generate_response(state: CustomerServiceState) -> dict:
"""结合工具结果和对话历史，生成最终回答"""
tool_result = state.get("tool_result", "")
system_prompt = f"""你是一个专业、友好的客服助手。
{f'参考信息：{tool_result}' if tool_result else ''}
请基于对话历史和参考信息，给出简洁、准确、有帮助的回答。
如果是退款或投诉，语气要更加体贴。"""
messages_for_llm = [SystemMessage(content=system_prompt)] + state["messages"]
response = model.invoke(messages_for_llm)
return {"messages": [response]}Step 5：满意度判断（条件边逻辑）
python
def route_by_intent(state: CustomerServiceState) -> str:
"""意图分类后的路由"""
intent = state.get("intent", "product")
if intent == "human":
return "human"
elif intent in ["order", "refund"]:
return "order_tool"
else:
return "rag_tool"
def check_conversation_end(state: CustomerServiceState) -> str:
"""判断对话是否应该结束"""
# 超过 10 轮自动结束
if state.get("turn_count", 0) >= 10:
return "end"
# 已转人工则结束自动流程
if state.get("needs_human", False):
return "end"
# 否则等待用户继续输入（实际产品中这里接用户新输入）
return "end" # 单次调用演示中直接结束Step 6：组装 Graph
python
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
builder = StateGraph(CustomerServiceState)
# 注册所有节点
builder.add_node("classify", classify_intent)
builder.add_node("order_tool", query_order_tool)
builder.add_node("rag_tool", rag_retrieval_tool)
builder.add_node("human_transfer", transfer_to_human)
builder.add_node("generate", generate_response)
builder.add_node("check_end", lambda s: s) # 透传节点，仅用于路由
# 入口
builder.set_entry_point("classify")
# 条件边：意图分类 → 三个分支
builder.add_conditional_edges(
"classify",
route_by_intent,
{
"order_tool": "order_tool",
"rag_tool": "rag_tool",
"human": "human_transfer",
}
)
# 三个分支都汇聚到 generate
builder.add_edge("order_tool", "generate")
builder.add_edge("rag_tool", "generate")
builder.add_edge("human_transfer", "generate")
# generate 之后检查是否结束
builder.add_edge("generate", "check_end")
builder.add_conditional_edges(
"check_end",
check_conversation_end,
{"end": END}
)
# 编译，挂载 checkpoint（多轮记忆的关键）
memory = MemorySaver()
graph = builder.compile(checkpointer=memory)Step 7：运行 Agent
python
def chat(user_input: str, session_id: str = "default"):
"""单轮对话入口"""
config = {"configurable": {"thread_id": session_id}}
result = graph.invoke(
{"messages": [HumanMessage(content=user_input)],
"needs_human": False,
"turn_count": 0},
config=config
)
# 取最后一条 AI 消息
for msg in reversed(result["messages"]):
if isinstance(msg, AIMessage):
return msg.content
return ""
# 模拟多轮对话（同一 session_id 自动携带上文）
session = "user_001"
print("用户：我的订单 ORD98765 发货了吗？")
print("客服：", chat("我的订单 ORD98765 发货了吗？", session))
print("\n用户：那大概几点能到？")
print("客服：", chat("那大概几点能到？", session)) # 自动记住上文是 ORD98765
print("\n用户：退款政策是怎样的？")
print("客服：", chat("退款政策是怎样的？", session))输出示例：
用户：我的订单 ORD98765 发货了吗？
客服：您好！订单 ORD98765 已经发货，快递单号 SF1234567890，预计明天到达，您可以用这个单号实时查询物流进度。
用户：那大概几点能到？
客服：根据顺丰的配送情况，一般明天上午10点前会尝试第一次派送。如果不方便，可以在快递单号页面预约派送时间。
用户：退款政策是怎样的？
客服：我们的退款政策是：商品签收后7天内可申请无理由退款，退款将在1-3个工作日内原路返回。如需申请，在订单页点击「申请退款」即可。几个容易忽略的细节
Reducer 很重要 ：messages 字段用 operator.add 而不是默认覆盖，这是多轮对话能"记住"历史的底层原因。如果不加 Annotated，每次 invoke 都会把历史消息清空。
Checkpoint 和 thread_id ：同一个 thread_id 的所有调用共享状态。切换 thread_id 就是切换用户/会话，完全隔离。生产环境建议换成 SqliteSaver 做持久化：
python
from langgraph.checkpoint.sqlite import SqliteSaver
memory = SqliteSaver.from_conn_string("./customer_service.db")人工转接用 interrupt ：上面的实现是打标记，实际产品里配合 interrupt_before 效果更好：
python
graph = builder.compile(
checkpointer=memory,
interrupt_before=["human_transfer"]
)
# 执行到人工转接节点前自动暂停，等人工确认后再继续流式输出 ：直接换成 graph.stream() 即可，适合做实时对话界面：
python
for chunk in graph.stream(
{"messages": [HumanMessage(content="我要退款")]},
config=config
):
for node_name, output in chunk.items():
if "messages" in output:
print(f"[{node_name}]", output["messages"][-1].content[:80])小结
通过这个客服 Agent 例子，你应该对 LangGraph 的核心用法有了直观感受：
| 概念 | 在这个例子里的体现 |
|---|---|
| State | CustomerServiceState，存消息、意图、工具结果 |
| Node | 分类、查询、生成各自独立的函数 |
| 条件边 | 意图分类后路由到不同工具节点 |
| Reducer | operator.add 保证消息历史追加不覆盖 |
| Checkpoint | MemorySaver + thread_id 实现多轮记忆 |
| interrupt | 人工转接时暂停流程等待介入 |
这套结构可以直接扩展：加一个"情感分析"节点、加一个"敏感词过滤"节点、加并行的多路工具调用......图的结构让每一次扩展都是局部改动，不影响其他节点。
参考资料