LangGraph教程（四）：智能客服项目示例（流程+完整代码）

LangGraph项目实例

一个典型的基于LangGraph的智能客服工作流，其核心思想是：根据用户的提问，决定调用不同的工具或采取不同的策略，并最终生成回答。我将简单使用LangGraph实现这一个工作流，其中的RAG检索我将采用模拟的方式。以下是整个工作流图。

流程步骤

一、开始 (用户输入问题)：工作流的起点，接收用户提出的问题。

二、意图识别与分类：这是整个工作流的决策核心（Router）。由一个大型语言模型（LLM）来分析用户输入的意图，并将其分类到不同的处理分支。

• 常规问题：例如“你好”、“你是谁”，直接交给通用对话链处理。
• 专业领域问题：例如“产品A的保修期是多久？”，需要进入RAG流程。
• 人工客服请求：例如“转人工”，进入相应流程。
• 无法处理/无关问题：例如用户胡言乱语，进入委婉拒绝流程。

三、分支处理：

• 1. 调用通用对话链：使用LLM的通用知识生成友好、自然的回复。
• 2. RAG（检索增强生成）：
  • 将用户问题转换为查询语句，在向量数据库等知识库中搜索最相关的文档片段。
  • 2.1. 相关性检查：这是一个质量控制点。再次使用LLM判断检索到的内容是否真正与用户问题相关，避免“幻觉”或答非所问。
    • 如果相关，则基于这些检索到的可靠内容生成回答（H）。
    • 如果不相关，则告知用户无法找到答案，并可建议下一步操作（I）。
• 3. 生成转接提示信息：告知用户即将转接至人工客服，或说明人工客服的工作时间。
• 4. 生成委婉拒绝回复：礼貌地告知用户该问题超出了自己的能力范围。

四、组装最终回复：将所有分支的处理结果汇聚到此节点，准备最终输出。在复杂流程中，这里可能还会做一些格式整理、添加免责声明等后处理操作。

五、结束 (返回回答)：工作流的终点，将最终生成的回答返回给用户。

项目实操

一、导入依赖

uv add langgraph langchain

二、创建项目结构

project/
├── state.py
├── tools.py
├── nodes.py
├── graph.py
├── main.py

三、state.py - 状态定义模块

主要定义的是state，方便每个节点后续的使用。

from langgraph.graph import MessagesState
class AgentState(MessagesState):
    question: str
    response: str
    router: str
    RAG_Content : str

四、tools.py - 工具函数模块

定义llm模型、RAG模型（模拟），我这就只写了一个llm模型，

from langchain_openai import ChatOpenAI
# 初始化LLM并绑定工具
llm = ChatOpenAI(
    openai_api_key="***************************",
    base_url="https://api.siliconflow.cn/v1",
    model="Qwen/Qwen2.5-7B-Instruct"
)

五、nodes.py - 节点函数模块

每个节点对应的操作,我这里只有在整合RAG内容的时候调用了LLM，其余几个分支我直接返回的一个写死的结果。

from state import *
from langchain_core.messages import HumanMessage, SystemMessage
from tools import *
# 定义意图分类函数
def intent_classification(state: AgentState):
    system_msg = """请分类用户的问题类型：
    - conventional: 问候、通用知识问题
    - Major: 专业领域问题（如产品、服务、政策等）
    - Custom_Server: 明确要求转人工客服
    - forbidden: 我规定不准用户查有关天气的所有信息。

    只返回分类结果，不要解释。"""

    messages = [
        SystemMessage(content=system_msg),
        HumanMessage(content=state["question"])
    ]

    router = llm.invoke(messages).content
    state["router"] = router
    return state

def intent_router(state: AgentState):
    router = state["router"]
    return router

def conventional(state: AgentState):
    state["response"] = "常规回答"
    return state

def Major(state: AgentState):
    state["response"] = "专业知识回答"
    #模拟的RAG，内容相关。
    state["RAG_Content"] = "退货政策是无需退还货物，直接申请退款即可"

    system_msg = f"你是一个售后服务人员你要回答用户的提问,搜索到的外部知识：{state["RAG_Content"]}"
    messages = [
        SystemMessage(content=system_msg),
        HumanMessage(content=state["question"])
    ]
    content = llm.invoke(messages).content
    state["response"] = content
    return state

def Custom_Server(state: AgentState):
    state["response"] = "转人工"
    return state

def forbidden(state: AgentState):
    state["response"] = "拒绝回答"
    return state

六、graph.py - 图构建模块

以下是整个工作流程。

from langgraph.graph import *
from nodes import *
def create_workflow():
    workflow = StateGraph(AgentState)
    workflow.add_node("conventional", conventional)
    workflow.add_node("Major",Major)
    workflow.add_node("Custom_Server",Custom_Server)
    workflow.add_node("forbidden",forbidden)
    workflow.add_node("intent_classification",intent_classification)

    workflow.add_edge(START,"intent_classification")
    workflow.add_conditional_edges("intent_classification",intent_router,{
        "conventional":"conventional",
        "Major":"Major",
        "Custom_Server":"Custom_Server",
        "forbidden":"forbidden",
    })

    workflow.add_edge("conventional",END)
    workflow.add_edge("Major",END)
    workflow.add_edge("Custom_Server",END)
    workflow.add_edge("forbidden",END)

    return workflow.compile()

七、main.py - 主程序模块

from graph import create_workflow

def main():
    # 编译图
    app = create_workflow()

    # 测试不同问题
    test_questions = [
        "你好",
        "你们的退货政策是什么？",
        "我要找人工客服",
        "今天天气怎么样？",
        "配送需要多长时间？"
    ]

    for question in test_questions:
        print(f"用户问题: {question}")

        # 初始化状态
        state = {"question": question}

        # 运行图
        final_state = app.invoke(state)
        print(f"回答: {final_state["response"]}")
        print("-" * 50)


if __name__ == "__main__":
    main()

八、运行结果

以下就是整个代码的运行结果，不同的问题走了不同的分支，完成了一个简单的智能客服的这么一个小项目。

总结

这次用 LangGraph 搭智能客服，就是将“流程图终于成了代码本身”。过去做对话系统，路由逻辑散在 if-else 里，想加一条分支得翻五六层函数；现在把“意图识别”“RAG 检索”“转人工”都拆成独立节点，在一张 StateGraph 里用条件边串起来，节点只管读状态、写状态，图只管调度，逻辑一目了然。
将 RAG 环节整个模拟掉，向量检索直接返回一段写死的退货政策，但后续可以把模拟直接替成真向量库。之后加 rerank、接人工客服，都只是“再画一个节点、再拉一条边”的事。