LangGraph 实战: 30 行代码,搭一个会'自己分流'的 AI 智能客服

#

上一篇文章我们学了 LangChain，这次呢？

#

还记得我们上一篇聊过：用 LangChain 的 20 行代码，就能搭一个简单的 AI 应用。但真实的业务，往往不是一条直线。

就拿"AI 智能客服"来说：

• 用户问"怎么查订单进度"，系统应该直接自动回复；
• 用户说"我要退款"“我要投诉”，系统却应该停下来，转给人工。

同样一个入口，走到一半要"看情况拐弯"。这种根据情况自己决定下一步的逻辑，用 LangChain 写起来很别扭，却是另一个框架的主场——LangGraph。

今天我们就用 30 行代码，手把手搭一个会"自己分流"的 AI 智能客服。全程不需要任何 API key，装上就能跑。

LangGraph 是什么？

#

一句话概括：LangGraph 是 LangChain 团队推出的"低层编排框架"，专门用来构建有状态、能循环、会分支的 AI Agent。

如果你用过 LangChain，感受一下两者的差别：

• LangChain 是一条"传送带"：原料进去，按固定顺序经过几个工位，从另一端出来。它擅长处理"线性"的流程。
• LangGraph 是一张"地铁图"：站点很多，线路有分岔、有环线，你从 A 站上车，坐哪条线、下不下车，由路上的信号灯决定。

翻译成技术语言：LangGraph 把 AI 工作流定义成一张有向图（Directed Graph）。图里的节点是"干活的函数"，边是"下一步去哪"，而图自己会"看状态、做判断"。这正是复杂 Agent 需要的骨架。

四个核心概念，先混个脸熟

#

在动手之前，先认识四个词，它们就是 LangGraph 的全部家当：

记住这个"餐厅"比喻，图就通了：点菜单（State）在师傅们（Node）之间传递，按上菜路线（Edge）走；遇到分岔口，看一眼菜单（条件边）决定去哪个窗口。

实战：30 行代码搭一个智能客服

#

我们搭一个能"自动分流"的客服机器人：

• 输入：用户的一句话；
• 分析节点：判断是普通问题，还是涉及退款/投诉的高危问题；
• 条件边：普通问题 → 自动回复；高危问题 → 转人工；
• 输出：最终回复。

第一步，安装（Python 3.10 以上）：

pip install -U langgraph

第二步，写代码：

from typing import TypedDict
from langgraph.graph import StateGraph, START, END

# ① 定义 State：整张图共享的数据
class State(TypedDict):
    question: str   # 用户提问
    route: str      # 分流结果：normal / escalate
    answer: str     # 最终回复

# ② 节点 = 干活的函数，返回"要更新的字段"
def analyze(state: State) -> dict:
    if "退款" in state["question"] or "投诉" in state["question"]:
        return {"route": "escalate"}   # 高危，转人工
    return {"route": "normal"}         # 普通，自动回复

def auto_reply(state: State) -> dict:
    return {"answer": "【自动回复】已收到你的问题：" + state["question"] + "，我们正在处理。"}

def human_handling(state: State) -> dict:
    return {"answer": "【已转人工】你的问题已升级给客服专员，24 小时内联系你。"}

# ③ 条件边：看 State 决定下一步走哪条路
def decide_next(state: State) -> str:
    return "auto_reply" if state["route"] == "normal" else "human_handling"

# ④ 搭图：把节点、边拼起来
builder = StateGraph(State)
builder.add_node("analyze", analyze)
builder.add_node("auto_reply", auto_reply)
builder.add_node("human_handling", human_handling)
builder.add_edge(START, "analyze")              # 起点 → 分析
builder.add_conditional_edges("analyze", decide_next)  # 分析后分流
builder.add_edge("auto_reply", END)             # 自动回复 → 终点
builder.add_edge("human_handling", END)         # 转人工 → 终点
app = builder.compile()

# ⑤ 运行！
print(app.invoke({"question": "怎么查订单进度？"}))
print(app.invoke({"question": "我要退款！"}))

第三步，看输出：

{'question': '怎么查订单进度？', 'route': 'normal',   'answer': '【自动回复】已收到你的问题：怎么查订单进度？，我们正在处理。'}
{'question': '我要退款！',       'route': 'escalate', 'answer': '【已转人工】你的问题已升级给客服专员，24 小时内联系你。'}

同一个程序，同样的代码结构，因为输入不同，走的是两条完全不同的路线。这就是"会自己分流"。

拆解这张图：灵魂在"条件边"

#

你可以把上面的代码翻译成一张图：

  用户提问 → [分析节点] → 条件边判断
                              ├── 普通问题 → [自动回复] → 结束
                              └── 高危问题 → [转人工]   → 结束

这 30 行代码里，最值钱的一行是：

builder.add_conditional_edges("analyze", decide_next)

它的意思是：“分析节点"跑完之后，先别急着往下走，让 decide_next 看看当前状态，再决定下一站去哪。

这一下，AI 应用就从"按固定剧本走"升级成了"边走边决策”。复杂的 Agent 之所以聪明，靠的就是这种条件分支 + 循环的骨架。

进阶：把"假判断"换成"真模型"

#

上面例子里，分流用的是 if/else 关键字匹配，刻意省略了 API，好让你零成本跑通。真实项目里，把这个节点换成一次大模型调用即可：

def analyze(state: State) -> dict:
    prompt = f"用户说：{state['question']}。这是普通咨询还是投诉？只回答 normal 或 escalate。"
    result = llm.invoke(prompt)              # 调用大模型
    return {"route": result.content.strip()}

仅此而已。节点里可以是任意逻辑——调模型、查数据库、发 HTTP 请求，都行。LangGraph 不关心节点里装了什么，只负责把这些节点优雅地编排起来。

再往上，LangGraph 还支持：给图加记忆（checkpoint，跨轮对话记得上下文）、加循环（Agent 自动重试、自我修正）、加人工审批（human-in-the-loop，敏感操作先停下来让人确认）、甚至让多个 Agent 协作。每一个都是真实生产环境的高频需求。

那我到底该用 LangChain 还是 LangGraph？

#

给你一条好记的判断标准：

• 一条直线能走完（固定顺序、没有分支）：用 LangChain，更简单；
• 需要看情况拐弯（分支、循环、要记忆、要人工介入）：用 LangGraph。

事实上，从 LangChain 1.0 开始，官方已经把 Agent 的底层统一建立在 LangGraph 之上。也就是说，LangGraph 不是可选项，而是进阶的必经之路。

总结

#

最后把今天的干货串起来：

• LangGraph = 把 AI 工作流画成"有向图"的编排框架：LangChain 是传送带，LangGraph 是地铁图。
• 四个核心概念：State（共享数据）、Node（干活的函数）、Edge（连线）、条件边（看状态决定方向）。
• 30 行代码就能搭一个会"自己分流"的智能客服，全程不需要 API key，装上就能跑。
• 进阶方向：换成真模型、加记忆、加循环、加人工审批、多 Agent 协作。
• 一句话决策：一条直线用 LangChain，要拐弯用 LangGraph。

别怕"编排框架"这四个字。它的思想你已经懂了——把任务拆成节点，让流程自己会思考。 这就是未来 AI 应用的样子。

想继续深入，官方文档是最好的起点：

• LangGraph 官方文档：https://langchain-ai.github.io/langgraph/
• LangGraph GitHub：https://github.com/langchain-ai/langgraph