Bramy walidacyjne i routowanie wielu agentów dla bota wsparcia LangGraph
Dodaj do agenta LangGraph w e-commerce bramy deterministycznej logiki biznesowej, pętlę walidacji samokorygującą się oraz nadzorcę z trzema specjalistycznymi podgrafami.
Załóżmy bot do obsługi klienta w sklepie internetowym, nazywany tutaj ShopBot, zbudowany na bazie LangGraph. Szuka on zamówień, sprawdza możliwość zwrotu pieniędzy, przetwarza zwroty po zatwierdzeniu przez człowieka i utrzymuje podsumowanie rozmowy. Podstawowa wersja tego bota już funkcjonuje. W dalszej części dodano trzy elementy niezbędne botowi, który ma rzeczywiste konsekwencje: bramy walidacyjne dla każdego wyniku modelu, pętlę automatycznie korygującą model oraz architekturę wielu agentów, w której nadzorca przekazuje zadania specjalistom. Celem jest baza kodu, którą można bez wahania przedstawić do oceny w środowisku produkcyjnym.
Przyjętą bazą jest graf zawierający standardowe moduły: narzędzia, pętlę w stylu ReAct, stan oraz wywołanie interrupt(), które wstrzymuje działanie grafu w oczekiwaniu na zatwierdzenie przez człowieka.
Cicha założenie w podstawowym botie
Wersja prostsza polega na pełnym zaufaniu do modelu językowego we wszystkich sytuacjach. Jego agent wywołuje sprawdzenie dostępności i ufa, że ID zamówienia, które przekazuje, zostało poprawnie wydobyte z rozmowy. Węzeł recenzji pokazuje to ID człowiekowi, ale osoba dokonująca recenzji zatwierdza lub odrzuca działanie, nie sprawdzając przy tym, czy ID rzeczywiście istnieje. Narzędzie do zwrotu pieniędzy działa na podstawie argumentów wybranych przez model. Jeśli model wytworzy błędnie wartość „ORD-99X”, podczas gdy powinno to być „ORD-001”, narzędzie popełni błąd, agent go zauważy i może dojść do jakiegoś rozsądnego rozwiązania. „Może dojść do jakiegoś rozsądnego rozwiązania” to słaba descripcja obsługi błędów w systemie, który przekazuje pieniądze.
Praktycy zajmujący się automatycznymi procesami zakupowymi lub zgodnością podkreślają wyraźnie: błędy probabilistyczne nie są w takich przypadkach do przyjęcia. Rozwiązaniem nie jest większe zaufanie do modelu, lecz całkowite zaprzestanie ufania jego wynikom oraz sprawdzanie każdego ustrukturyzowanego rezultatu za pomocą deterministycznego Pythona, zanim dotknie on czegokolwiek zewnętrznego.
Trzy dodatki i sposób ich połączenia
Bramy logiki biznesowej znajdują się wewnątrz węzłów i walidują wyniki modelu, zanim cokolwiek na nich zadziała. Są to zwykłe skrypty w Pythonie bez żadnych wywołań modelu. Brama albo pozwala na przepuszczenie danych, albo odrzuca je, podając konkretny, ustrukturyzowany powód. To właśnie jest deterministyczna walidacja wewnątrz systemu probabilistycznego.
Pętle walidacyjne radzą sobie z awariami bramek. Odrzucenie nie powoduje załamania grafu ani nie daje cicho błędnego wyniku. Kontrola przechodzi do węzła korygującego, który przekazuje przyczynę awarii modelowi i prosi o poprawny wynik. Licznik prób w stanie zapobiega nieskończonym pętlom, a sztywny limit powoduje eskalację do człowieka.
Architektura wielu agentów zastępuje pojedynczy węzeł agenta trzema specjalistami. Agent zamówień zajmuje się wyszukiwaniami i pytaniami o status. Agent zwrotów pieniędzy odpowiada za sprawdzanie kwalifikacji i przetwarzanie zwrotów. Agent ds. skarg zajmuje się niezadowolonymi klientami i eskalacjami. Węzeł nadzorczy sprawdza każdą przychodzącą wiadomość i przekazuje ją odpowiedniemu specjalistowi, przy czym każdy specjalista stanowi skompilowany podgraf siebie samego.
Części te funkcjonują jako jeden system. Agent zwrotu pieniędzy obsługuje bramkę, awaria bramki może uruchomić pętlę walidacji, a nadzorca analizuje, jak zakończyła się ta pętla, zanim zdecyduje się na ponowną próbę, eskalację lub przerwanie działania. Razem zapewniają one gotowemu botowi odporność wymaganą w środowisku korporacyjnym.
Zaprojektuj graf przed zajęciem się kodem
LangGraph nagradza planowanie, a im większy jest graf, tym bardziej to prawda. Najpierw narysuj cały system. Każda przystawka powinna odpowiadać dokładnie jednemu węzłowi lub funkcji routingu, a każda strzałka dokładnie jednemu krawędzi. Kod staje się wtedy tłumaczeniem tego obrazu na Python, moduł po modułu.
Nowa struktura plików
Podstawowy bot mieścił się w jednym pliku. Przy takiej wielkości jeden plik staje się niepraktyczny, dlatego projekt jest dzielony na trzy części.
shopbot_enterprise/
├── gates.py ← Business Logic Gates (pure Python, no LangGraph imports)
├── agents.py ← All three specialist subgraphs
└── shopbot.py ← Supervisor graph + entrypoint (unchanged module structure)
Umieszczenie importów LangGraph poza plikiem gates jest celowe. Dzięki temu gate’y można testować za pomocą zwykłych testów jednostkowych – nie jest potrzebny żaden model, żaden graf ani działający proces, aby potwierdzić poprawność logiki walidacji. Wywołuje się gate z danymi przykładowymi i sprawdza wynik, i to właśnie oznacza „deterministyczny” w praktyce.
Rozszerzanie schematu stanu
Przed czymkolwiek innym stan wymaga nowych pól. Wersja bazowa zawierała trzy pola niestandardowe: streszczenie, imię klienta oraz kategorię ticketa. Dodano jeszcze cztery pola.
# ============================================================
# MODULE 2: STATE (Enterprise Version)
# ============================================================
from typing import TypedDict, Annotated
from langgraph.graph import MessagesState
import operator
class SupportState(MessagesState):
# From the original ShopBot - unchanged
summary: str
customer_name: str
ticket_category: str
# NEW: The structured data the LLM extracted from the conversation.
# Gates validate this field. Tools use this field. The LLM never
# writes to external systems directly - it writes here first.
extracted_data: dict
# NEW: The current status of the gate decision for this turn.
# Values: "pending" | "passed" | "failed" | "escalated" | "aborted"
# The supervisor reads this to decide what to do after a gate runs.
gate_status: str
# NEW: A log of every gate failure in this conversation.
# Uses operator.add so entries accumulate rather than replace.
# This is your audit trail. Every compliance system needs one.
validation_errors: Annotated[list[str], operator.add]
# NEW: How many correction attempts have fired in this turn.
# The hard cap is 2. After 2 failed corrections, escalate to human.
# Without this, a broken LLM output creates an infinite loop.
retry_count: int
Kluczowym nowym polem jest extracted_data. W podstawowym botie model wytwarzał tekst w formie swobodnej i bezpośrednio wywoływał narzędzia, więc argumenty tych narzędzi były tym, co model umieścił w swoim wywołaniu. Teraz model najpierw wytwarza dane strukturyzowane, które trafiają do extracted_data. Brama kontrolna je sprawdza, a dopiero po jej zatwierdzeniu dane te stają się argumentem narzędzia. To eliminuje wszelkie bezpośrednie połączenie modelu z zewnętrznymi systemami.
Pole validation_errors jest oznaczone operator.add, więc gromadzi błędy z całej rozmowy, a nie tylko z jednej tury. Załóżmy, że w trzeciej turze pojawi się wymyślony identyfikator zamówienia, a w siódmej kiepski powód zwrotu pieniędzy – oba błędy trafią do dziennika audytowego. Ma to znaczenie podczas przeglądów zgodności.
Pisanie bram kontrolnych
Brama to czysta funkcja walidacji. Przyjmuje wydobyte dane i zwraca tupel: (True, cleaned_data) w przypadku sukcesu lub (False, error_reason) w przypadku niepowodzenia. To cała interfejs – bez żadnych wywołań modeli ani zależności grafowych. Poniższy moduł zawiera sprawdzenie ID zamówienia, sprawdzenie pełnego zwrotu pieniędzy oraz sprawdzenie skargi, plus stałe używane w biznesie.
# ============================================================
# gates.py — Business Logic Gates
# Pure Python. No LangGraph. No LLM calls.
# Each gate returns (bool, data_or_error_string).
# ============================================================
import re
# The same fake database as the original ShopBot.
# In production this would be a database query.
ORDERS_DB = {
"ORD-001": {"customer": "Alex", "product": "Wireless Headphones",
"status": "Delivered", "amount": 89.99,
"delivery_date": "2025-06-10"},
"ORD-002": {"customer": "Sam", "product": "Phone Case",
"status": "In Transit", "amount": 14.99,
"delivery_date": "Expected 2025-06-18"},
"ORD-003": {"customer": "Jordan", "product": "Laptop Stand",
"status": "Processing", "amount": 45.00,
"delivery_date": "Expected 2025-06-20"},
}
MAX_REFUND_AMOUNT = 500.00 # Business rule: auto-refunds above this need director sign-off
MIN_REASON_LENGTH = 10 # Business rule: refund reasons must be substantive
def validate_order_id(extracted_data: dict) -> tuple[bool, dict | str]:
"""
Gate 1: Order ID Validation
Checks that the order ID the LLM extracted actually exists in our system
and follows the correct format. This is the most basic hallucination check
in a support workflow. LLMs frequently confuse order IDs, especially when
a customer has mentioned multiple orders or used an informal format like
"order one" instead of "ORD-001".
Why this matters: if the agent calls a tool with a hallucinated order ID,
the tool returns an error, the agent sees the error, and may hallucinate
a recovery that looks plausible but is wrong. Catching it here, before
the tool call, is the correct place to stop the failure.
"""
order_id = extracted_data.get("order_id", "").strip().upper()
# Check 1: Format validation - must match ORD-XXX pattern
if not re.match(r"^ORD-\d{3}quot;, order_id):
return (
False,
f"Order ID '{order_id}' does not match the required format ORD-XXX "
f"(example: ORD-001). The LLM may have extracted the wrong value. "
f"Ask the customer to confirm their exact order number."
)
# Check 2: Existence validation - must exist in our system
if order_id not in ORDERS_DB:
return (
False,
f"Order ID '{order_id}' passed format validation but does not exist "
f"in the orders database. This is likely a hallucination. "
f"Ask the customer to provide the exact order ID from their confirmation email."
)
# Gate passed: return cleaned data with the normalised order ID
cleaned = {**extracted_data, "order_id": order_id}
return True, cleaned
def validate_refund_request(extracted_data: dict) -> tuple[bool, dict | str]:
"""
Gate 2: Refund Request Validation
A compound gate that checks every business rule that must be true
before a refund can be processed. Runs after validate_order_id passes,
so we can assume order_id is valid at this point.
Business rules checked:
1. The order must exist and have Delivered status
2. The refund amount must be below the auto-approval threshold
3. The reason must be substantive (not empty or one word)
Each failed rule produces a specific error message that gets fed back
to the LLM as a correction instruction. Vague errors produce vague
corrections. Specific errors produce specific corrections.
"""
order_id = extracted_data.get("order_id", "").strip().upper()
reason = extracted_data.get("reason", "").strip()
order = ORDERS_DB.get(order_id, {})
errors = []
# Rule 1: Order must be in Delivered status
if order.get("status") != "Delivered":
errors.append(
f"Order {order_id} has status '{order.get('status')}'. "
f"Refunds can only be processed for Delivered orders. "
f"Inform the customer and do not attempt to process a refund."
)
# Rule 2: Amount must be within auto-approval limit
amount = order.get("amount", 0)
if amount > MAX_REFUND_AMOUNT:
errors.append(
f"Refund amount ${amount:.2f} exceeds the auto-approval limit "
f"of ${MAX_REFUND_AMOUNT:.2f}. This requires director-level sign-off. "
f"Escalate to a senior agent - do not process automatically."
)
# Rule 3: Reason must be substantive
if len(reason) < MIN_REASON_LENGTH:
errors.append(
f"Refund reason '{reason}' is too short (minimum {MIN_REASON_LENGTH} characters). "
f"Ask the customer to provide a more detailed reason for their return request."
)
if errors:
# Return all errors joined - the correction node will feed this
# exact string back to the LLM as a correction instruction
return False, " | ".join(errors)
return True, extracted_data
def validate_complaint(extracted_data: dict) -> tuple[bool, dict | str]:
"""
Gate 3: Complaint Validation
Ensures the complaints agent has enough structured data to work with
before attempting any escalation or response. Complaints without
a clear issue category cannot be routed correctly in a real ticketing system.
"""
issue_summary = extracted_data.get("issue_summary", "").strip()
sentiment = extracted_data.get("sentiment", "").strip().lower()
valid_sentiments = {"frustrated", "angry", "neutral", "disappointed"}
if len(issue_summary) < 20:
return (
False,
f"Complaint issue summary is too vague: '{issue_summary}'. "
f"Ask the customer to describe their problem in more detail before escalating."
)
if sentiment not in valid_sentiments:
return (
False,
f"Sentiment '{sentiment}' is not a recognised value. "
f"Valid values are: {', '.join(valid_sentiments)}. "
f"Re-classify the customer's sentiment and try again."
)
return True, extracted_data
Zobacz, czego brakuje w tym pliku: importów z LangGraph, LangChain lub jakiejkolwiek biblioteki AI. Każdy programista w zespole może go przeczytać, przetestować i zmienić, nie wiedząc nic o architekturze agenta. Gdy audytor pyta, co dokładnie weryfikuje wniosek o zwrot pieniędzy przed ich przekazaniem, to właśnie ten plik należy pokazać, a osoby niebędące inżynierami mogą go zrozumieć.
Pętla walidacji
To węzeł korekcyjny sprawia, że bramy są przydatne. Gdy brama zawodzi, wykonywanie nie zostaje zatrzymane, lecz kierowane tutaj. Węzeł pobiera konkretny powód awarii ze stanu, tworzy instrukcję mówiącą modelowi dokładnie, co poszło nie tak, i prosi o skorygowany, ustrukturyzowany wynik.
# ── agents.py (partial) ─────────────────────────────────────
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
from pydantic import BaseModel, Field
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# ── Pydantic Models (Structured LLM Output) ──────────────────
# These are the schemas that define what the LLM must return.
# with_structured_output() enforces these - if the LLM returns
# something that doesn't match, Pydantic raises a validation error
# before the output even reaches a gate.
class OrderExtraction(BaseModel):
order_id: str = Field(description="The order ID in the format ORD-XXX, e.g. ORD-001")
query_type: str = Field(description="What the customer wants to know: 'status', 'delivery_date', 'product', or 'general'")
class RefundExtraction(BaseModel):
order_id: str = Field(description="The order ID in the format ORD-XXX")
reason: str = Field(description="The customer's stated reason for wanting a refund, in their own words")
class ComplaintExtraction(BaseModel):
issue_summary: str = Field(description="A one-sentence summary of the customer's complaint")
sentiment: str = Field(description="The customer's emotional state: 'frustrated', 'angry', 'neutral', or 'disappointed'")
# ── The Correction Node ───────────────────────────────────────
def correction_node(state) -> dict:
"""
The validation loop's core. When a Business Logic Gate fails, this
node receives control. It reads the most recent gate failure from
state, builds a precise correction instruction for the LLM, and
asks for a new extraction attempt.
This node is shared across all three specialist agents. The
ticket_category in state tells it which Pydantic model to use
for the re-extraction, so the same node handles order corrections,
refund corrections, and complaint corrections without duplicating logic.
Critical design decision: the correction instruction goes into the
messages list as a HumanMessage, not a SystemMessage. This makes it
part of the visible conversation history. If the LLM makes the same
mistake twice, the history shows both the first failure and the second
correction attempt, which helps diagnose systematic prompt problems.
"""
# Read the most recent validation error from the audit log
errors = state.get("validation_errors", [])
last_error = errors[-1] if errors else "Unknown validation error."
retry_count = state.get("retry_count", 0)
# Hard stop: after 2 retries, do not attempt again - escalate
if retry_count >= 2:
return {
"gate_status": "escalated",
"messages": [
AIMessage(
content=(
f"I was unable to process your request correctly after {retry_count} attempts. "
f"I'm escalating this to a senior support agent who will contact you directly. "
f"I apologise for the inconvenience."
)
)
]
}
# Build the correction instruction - be maximally specific
correction_instruction = (
f"Your previous response contained a validation error that must be corrected "
f"before we can proceed. The exact error was:\n\n"
f"{last_error}\n\n"
f"Please re-read the conversation carefully and provide a corrected response "
f"that addresses this specific error. Do not repeat the same mistake."
)
category = state.get("ticket_category", "order_inquiry")
# Choose the right structured output model based on what kind of
# correction is needed
if category == "refund_request":
structured_llm = llm.with_structured_output(RefundExtraction)
elif category == "complaint":
structured_llm = llm.with_structured_output(ComplaintExtraction)
else:
structured_llm = llm.with_structured_output(OrderExtraction)
messages = (
[SystemMessage(content="You are a customer support assistant. Extract the requested information accurately.")]
+ state["messages"]
+ [HumanMessage(content=correction_instruction)]
)
try:
corrected = structured_llm.invoke(messages)
return {
"extracted_data": corrected.model_dump(),
"gate_status": "pending",
"retry_count": retry_count + 1,
"messages": [HumanMessage(content=correction_instruction)],
}
except Exception as e:
# Structured output itself failed (Pydantic validation error)
# Count this as a retry and surface the raw error
return {
"gate_status": "failed",
"retry_count": retry_count + 1,
"validation_errors": [f"Structured output failed: {str(e)}"],
}
Sprawdzenie ponownej próby na górze jest najważniejszym mechanizmem bezpieczeństwa w całym systemie. Bez niego naprawdę uszkodzony wprowadzony danych (klient, który nie poda ważnego ID zamówienia, lub konfiguracja modelu, która ciągle generuje błędne wyniki) będzie działał w nieskończoność, przechodząc między węzłem korekcyjnym a bramką. Dwie próby stanowią rozsądny standard dla pracy wsparcia, ponieważ dają modelowi dwie szanse na samodzielne naprawienie się, zanim interweniuje człowiek. Liczbę tę można dostosować w zależności od tego, jak dużą opóźnienie w porównaniu z dokładnością można zaakceptować.
Trzy specjalistyczne podgrafy
Każdy specjalista to skompilowany podgraf z własnymi narzędziami, logiką wyodrębniania danych, bramką oraz wewnętrznym routowaniem. Główny graf nadzorczy nie zna ani nie przejmuje się tą wewnętrzną strukturą. Widzi jedynie węzeł, który odbiera stan i zwraca stan.
Agent zamówień
# ── agents.py (continued) ────────────────────────────────────
from langchain_core.tools import tool
from langgraph.graph import StateGraph, START, END
from langgraph.prebuilt import ToolNode
from gates import validate_order_id, ORDERS_DB
@tool
def lookup_order(order_id: str) -> str:
"""Look up the details of a customer's order by order ID.
Use this when the customer wants to know their order status,
product name, or expected delivery date.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"No order found with ID '{order_id}'."
return (
f"Order {order_id.upper()}: {order['product']} | "
f"Status: {order['status']} | "
f"Amount: ${order['amount']:.2f} | "
f"Delivery: {order['delivery_date']}"
)
order_tools = [lookup_order]
order_tool_node = ToolNode(order_tools)
order_llm = llm.bind_tools(order_tools)
def order_extract_node(state) -> dict:
"""
Step 1 for the Order Agent: extract the order ID from the conversation
using structured output. The result goes into state['extracted_data'].
The gate runs next. The tool call only happens if the gate passes.
"""
structured_llm = llm.with_structured_output(OrderExtraction)
messages = (
[SystemMessage(content="Extract the order ID and query type from the customer's message.")]
+ state["messages"]
)
try:
result = structured_llm.invoke(messages)
return {
"extracted_data": result.model_dump(),
"gate_status": "pending",
"ticket_category": "order_inquiry",
}
except Exception as e:
return {
"gate_status": "failed",
"validation_errors": [f"Extraction failed: {str(e)}"],
"ticket_category": "order_inquiry",
}
def order_gate_node(state) -> dict:
"""
Step 2: Run the Business Logic Gate on the extracted data.
Either passes gate_status to 'passed' and lets the tool run,
or sets it to 'failed' and logs the reason to validation_errors.
"""
extracted = state.get("extracted_data", {})
passed, result = validate_order_id(extracted)
if passed:
return {"gate_status": "passed", "extracted_data": result}
return {
"gate_status": "failed",
"validation_errors": [result], # operator.add accumulates this
}
def order_agent_node(state) -> dict:
"""
Step 3 (only runs after gate passes): call the LLM with tools bound.
Now the LLM uses the validated order_id from extracted_data rather
than whatever it decided to extract ad hoc.
"""
extracted = state.get("extracted_data", {})
order_id = extracted.get("order_id", "")
messages = (
[SystemMessage(content=(
"You are the Order Agent for ShopBot. Your only job is to look up "
"order information and report it clearly to the customer. "
f"The validated order ID is {order_id}. Use lookup_order to get the details."
))]
+ state["messages"]
)
response = order_llm.invoke(messages)
return {"messages": [response]}
def route_order_gate(state) -> str:
status = state.get("gate_status", "pending")
if status == "passed":
return "order_agent_node"
if state.get("retry_count", 0) >= 2:
return "order_agent_node" # correction_node already added the escalation message
return "correction_node"
def route_order_agent(state) -> str:
last = state["messages"][-1]
if hasattr(last, "tool_calls") and last.tool_calls:
return "order_tools"
return "__end__"
# ── Order subgraph assembly ──────────────────────────────────
order_builder = StateGraph(state_schema=type(None)) # Uses parent state directly
order_builder = StateGraph(dict)
order_builder.add_node("order_extract_node", order_extract_node)
order_builder.add_node("order_gate_node", order_gate_node)
order_builder.add_node("correction_node", correction_node)
order_builder.add_node("order_agent_node", order_agent_node)
order_builder.add_node("order_tools", order_tool_node)
order_builder.add_edge(START, "order_extract_node")
order_builder.add_edge("order_extract_node", "order_gate_node")
order_builder.add_conditional_edges(
"order_gate_node",
route_order_gate,
{"order_agent_node": "order_agent_node", "correction_node": "correction_node"}
)
order_builder.add_edge("correction_node", "order_gate_node")
order_builder.add_conditional_edges(
"order_agent_node",
route_order_agent,
{"order_tools": "order_tools", "__end__": END}
)
order_builder.add_edge("order_tools", "order_agent_node")
order_agent = order_builder.compile()
Prześledź pętlę w tym podgrafie. Węzeł bramy zamówienia przekazuje dane do węzła korekcyjnego w przypadku błędu, a węzeł korekcyjny zwraca je z powrotem do bramy. Ta pętla stanowi mechanizm walidacji i działa co najwyżej dwa razy, zanim licznik wygeneruje komunikat o eskalacji.
Agent zwrotu pieniędzy
Ten specjalista jest najważniejszy, ponieważ zajmuje się finansami. Przebiega przez dwa etapy walidacji – najpierw walidację identyfikatora zamówienia, a następnie pełną walidację zwrotu pieniędzy – przy czym interwencja ludzkiego zatwierdzenia pozostaje w obrębie tego podgrafu.
# ── agents.py (continued) ────────────────────────────────────
from gates import validate_order_id, validate_refund_request
from langgraph.types import interrupt, Command
from langchain_core.messages import ToolMessage
from datetime import datetime
@tool
def check_refund_eligibility(order_id: str) -> str:
"""Check whether an order is eligible for a refund.
An order is eligible only if its status is Delivered.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"Cannot check refund: order '{order_id}' not found."
if order["status"] == "Delivered":
return (
f"Order {order_id.upper()} IS eligible for a refund. "
f"Amount: ${order['amount']:.2f}."
)
return (
f"Order {order_id.upper()} is NOT eligible. "
f"Status: {order['status']}."
)
@tool
def process_refund(order_id: str, reason: str) -> str:
"""Process a refund for a delivered order.
Only call this after human approval has been confirmed.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"Refund failed: order '{order_id}' not found."
ref = f"REF-{order_id.upper()}-{datetime.now().strftime('%H%M%S')}"
return (
f"Refund APPROVED and PROCESSED. Reference: {ref}. "
f"${order['amount']:.2f} will be returned within 3 to 5 business days."
)
refund_tools = [check_refund_eligibility, process_refund]
refund_tool_node = ToolNode(refund_tools)
refund_llm = llm.bind_tools(refund_tools)
def refund_extract_node(state) -> dict:
structured_llm = llm.with_structured_output(RefundExtraction)
messages = (
[SystemMessage(content="Extract the order ID and refund reason from the customer's message.")]
+ state["messages"]
)
try:
result = structured_llm.invoke(messages)
return {
"extracted_data": result.model_dump(),
"gate_status": "pending",
"ticket_category": "refund_request",
}
except Exception as e:
return {
"gate_status": "failed",
"validation_errors": [f"Refund extraction failed: {str(e)}"],
"ticket_category": "refund_request",
}
def refund_gate_node(state) -> dict:
"""
Compound gate: runs both order ID validation and full refund validation.
Both must pass for execution to continue.
"""
extracted = state.get("extracted_data", {})
# Gate 1: Order ID
id_passed, id_result = validate_order_id(extracted)
if not id_passed:
return {"gate_status": "failed", "validation_errors": [id_result]}
# Gate 2: Full refund rules (eligibility, amount, reason)
ref_passed, ref_result = validate_refund_request(id_result)
if not ref_passed:
return {"gate_status": "failed", "validation_errors": [ref_result]}
return {"gate_status": "passed", "extracted_data": ref_result}
def refund_review_node(state) -> dict:
"""
The human approval gate, carried over from the original ShopBot
and now living inside the Refund Agent subgraph.
interrupt() pauses the entire graph here. The parent graph's
checkpointer saves the state. A human reviews the details.
Command(resume=...) restarts from this exact line.
"""
last_message = state["messages"][-1]
refund_tool_call = None
if hasattr(last_message, "tool_calls"):
for tc in last_message.tool_calls:
if "refund" in tc["name"].lower():
refund_tool_call = tc
break
extracted = state.get("extracted_data", {})
human_decision = interrupt({
"message": "Refund approval required",
"order_id": extracted.get("order_id", "Unknown"),
"reason": extracted.get("reason", "Not provided"),
"tool_being_called": refund_tool_call["name"] if refund_tool_call else "process_refund",
"arguments": refund_tool_call["args"] if refund_tool_call else extracted,
"summary": state.get("summary", "No summary yet"),
"options": ["approve", "reject", "escalate"],
})
if human_decision == "approve":
return {}
if human_decision in ("reject", "escalate"):
label = "declined" if human_decision == "reject" else "escalated to a senior agent"
return {
"messages": [
ToolMessage(
content=f"Refund request was {label} by the support team.",
tool_call_id=refund_tool_call["id"] if refund_tool_call else "unknown",
)
]
}
return {}
def refund_agent_node(state) -> dict:
extracted = state.get("extracted_data", {})
messages = (
[SystemMessage(content=(
"You are the Refund Agent for ShopBot. Your job is to check refund "
"eligibility and process approved refunds. "
f"Validated order ID: {extracted.get('order_id', '')}. "
f"Customer reason: {extracted.get('reason', '')}. "
"Always check eligibility first, then process if eligible and approved."
))]
+ state["messages"]
)
response = refund_llm.invoke(messages)
return {"messages": [response]}
def route_refund_gate(state) -> str:
status = state.get("gate_status", "pending")
if status == "passed":
return "refund_agent_node"
if state.get("retry_count", 0) >= 2:
return "refund_agent_node"
return "correction_node"
def route_refund_agent(state) -> str:
last = state["messages"][-1]
if hasattr(last, "tool_calls") and last.tool_calls:
tool_names = [tc["name"] for tc in last.tool_calls]
if "process_refund" in tool_names:
return "refund_review_node"
return "refund_tools"
return "__end__"
def route_after_review(state) -> str:
last = state["messages"][-1]
if isinstance(last, ToolMessage):
return "refund_agent_node"
return "refund_tools"
# ── Refund subgraph assembly ─────────────────────────────────
refund_builder = StateGraph(dict)
refund_builder.add_node("refund_extract_node", refund_extract_node)
refund_builder.add_node("refund_gate_node", refund_gate_node)
refund_builder.add_node("correction_node", correction_node)
refund_builder.add_node("refund_agent_node", refund_agent_node)
refund_builder.add_node("refund_review_node", refund_review_node)
refund_builder.add_node("refund_tools", refund_tool_node)
refund_builder.add_edge(START, "refund_extract_node")
refund_builder.add_edge("refund_extract_node", "refund_gate_node")
refund_builder.add_conditional_edges(
"refund_gate_node",
route_refund_gate,
{"refund_agent_node": "refund_agent_node", "correction_node": "correction_node"}
)
refund_builder.add_edge("correction_node", "refund_gate_node")
refund_builder.add_conditional_edges(
"refund_agent_node",
route_refund_agent,
{
"refund_review_node": "refund_review_node",
"refund_tools": "refund_tools",
"__end__": END,
}
)
refund_builder.add_conditional_edges(
"refund_review_node",
route_after_review,
{"refund_tools": "refund_tools", "refund_agent_node": "refund_agent_node"}
)
refund_builder.add_edge("refund_tools", "refund_agent_node")
refund_agent = refund_builder.compile()
Agent ds. skarg
To najmniej skomplikowany specjalista. Potwierdza frustrację klienta, sprawdza, czy istnieje wystarczająco dużo informacji, by otworzyć zgłoszenie, a gdy emocje są silne, przekazuje sprawę człowiekowi za pomocą interrupt().
# ── agents.py (continued) ────────────────────────────────────
from gates import validate_complaint
complaints_llm = llm # Complaints agent doesn't need tool-calling
def complaints_extract_node(state) -> dict:
structured_llm = llm.with_structured_output(ComplaintExtraction)
messages = (
[SystemMessage(content=(
"Extract the complaint summary and the customer's emotional sentiment "
"from the conversation. Sentiment must be one of: frustrated, angry, "
"neutral, disappointed."
))]
+ state["messages"]
)
try:
result = structured_llm.invoke(messages)
return {
"extracted_data": result.model_dump(),
"gate_status": "pending",
"ticket_category": "complaint",
}
except Exception as e:
return {
"gate_status": "failed",
"validation_errors": [f"Complaint extraction failed: {str(e)}"],
"ticket_category": "complaint",
}
def complaints_gate_node(state) -> dict:
extracted = state.get("extracted_data", {})
passed, result = validate_complaint(extracted)
if passed:
return {"gate_status": "passed", "extracted_data": result}
return {"gate_status": "failed", "validation_errors": [result]}
def complaints_respond_node(state) -> dict:
"""
For high-sentiment complaints (frustrated, angry), trigger a human
escalation via interrupt(). For lower-sentiment complaints, the LLM
responds empathetically and the turn ends.
This mirrors the Part 3 pattern but applied conditionally based on
the validated sentiment field, not a keyword scan of free-form text.
The gate already confirmed the sentiment is a valid value, so this
routing decision is deterministic.
"""
extracted = state.get("extracted_data", {})
sentiment = extracted.get("sentiment", "neutral")
if sentiment in ("frustrated", "angry"):
human_decision = interrupt({
"message": "High-sentiment complaint requires human review",
"issue_summary": extracted.get("issue_summary", ""),
"sentiment": sentiment,
"options": ["escalate_to_senior", "provide_compensation", "close_ticket"],
})
if human_decision == "escalate_to_senior":
response_text = (
"I completely understand your frustration, and I want to make sure "
"you receive the best possible support. I am escalating your case to "
"a senior support agent who will contact you within 2 business hours. "
"Your ticket has been flagged as priority."
)
elif human_decision == "provide_compensation":
response_text = (
"I sincerely apologise for the experience you have had. As a gesture "
"of goodwill, our team will be in touch within 24 hours with a resolution "
"that includes appropriate compensation for the inconvenience caused."
)
else:
response_text = (
"Thank you for bringing this to our attention. Your feedback has been "
"recorded and will help us improve our service."
)
from langchain_core.messages import AIMessage
return {"messages": [AIMessage(content=response_text)]}
# Lower-sentiment complaints: LLM responds empathetically
messages = (
[SystemMessage(content=(
"You are the Complaints Agent for ShopBot. The customer has a complaint. "
"Respond with genuine empathy, acknowledge their specific issue, and "
"explain what steps will be taken. Be warm and professional."
))]
+ state["messages"]
)
response = complaints_llm.invoke(messages)
return {"messages": [response]}
def route_complaints_gate(state) -> str:
status = state.get("gate_status", "pending")
if status == "passed":
return "complaints_respond_node"
if state.get("retry_count", 0) >= 2:
return "complaints_respond_node"
return "correction_node"
# ── Complaints subgraph assembly ─────────────────────────────
complaints_builder = StateGraph(dict)
complaints_builder.add_node("complaints_extract_node", complaints_extract_node)
complaints_builder.add_node("complaints_gate_node", complaints_gate_node)
complaints_builder.add_node("correction_node", correction_node)
complaints_builder.add_node("complaints_respond_node", complaints_respond_node)
complaints_builder.add_edge(START, "complaints_extract_node")
complaints_builder.add_edge("complaints_extract_node", "complaints_gate_node")
complaints_builder.add_conditional_edges(
"complaints_gate_node",
route_complaints_gate,
{
"complaints_respond_node": "complaints_respond_node",
"correction_node": "correction_node",
}
)
complaints_builder.add_edge("correction_node", "complaints_gate_node")
complaints_builder.add_edge("complaints_respond_node", END)
complaints_agent = complaints_builder.compile()
Graf nadzorczy
Gdy podgrafy zostaną przygotowane, graf nadzorczy okazuje się niezwykle prosty. Jego zadaniem jest jedynie kierowanie ruchem. Nigdy nie wykonuje on zadań specjalistycznych. Zasada działania wzorców wieloagentowych polega dokładnie na tym: nadzorcy kierują, a specjaliści wykonują zadania.
# ============================================================
# shopbot.py — Supervisor Graph (Enterprise Version)
# ============================================================
# ── MODULE 1: IMPORTS & CONFIGURATION ───────────────────────
import os
from typing import Literal
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage, RemoveMessage, AIMessage
from langchain.chat_models import init_chat_model
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import Command
# Import the compiled subgraphs from agents.py
from agents import order_agent, refund_agent, complaints_agent
from state import SupportState # The extended state from Module 2 above
load_dotenv()
# The supervisor uses a plain LLM - no tools, just routing decisions
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# ── MODULE 4: SUPERVISOR NODE ────────────────────────────────
SUPERVISOR_SYSTEM = """You are the ShopBot Supervisor. Your only job is to read
the customer's message and decide which specialist should handle it.
Available specialists:
order_agent - handles order status, delivery date, and product questions
refund_agent - handles refund requests and return eligibility
complaints_agent - handles complaints, frustration, and negative feedback
FINISH - use this only when the conversation is fully resolved
Respond with exactly one word: the name of the specialist, or FINISH."""
def supervisor_node(state: SupportState) -> dict:
"""
Reads the full conversation and routes to the correct specialist.
Returns a next_agent string that the routing function reads.
Uses plain LLM with no tools - the supervisor decides, it never acts.
This separation keeps the routing logic deterministic and auditable.
"""
messages = [SystemMessage(content=SUPERVISOR_SYSTEM)] + state["messages"]
response = llm.invoke(messages)
decision = response.content.strip().lower()
# Normalise the response in case the LLM adds punctuation or casing
if "refund" in decision:
next_agent = "refund_agent"
elif "complaint" in decision or "frustrated" in decision:
next_agent = "complaints_agent"
elif "order" in decision:
next_agent = "order_agent"
elif "finish" in decision:
next_agent = "FINISH"
else:
next_agent = "order_agent" # Safe default for ambiguous routing
return {"next_agent": next_agent}
# ── MODULE 4 CONTINUED: SUMMARIZE NODE ───────────────────────
# Carried over from the original ShopBot without changes.
# The enterprise version still needs conversation compression.
def summarize_node(state: SupportState) -> dict:
existing_summary = state.get("summary", "")
instruction = (
f"Current summary:\n{existing_summary}\n\nExtend with new messages. "
"Under 5 sentences. Include customer name, issue, orders mentioned, actions taken."
if existing_summary
else "Summarise this support conversation in under 5 sentences."
)
messages = state["messages"] + [HumanMessage(content=instruction)]
response = llm.invoke(messages)
to_delete = [RemoveMessage(id=m.id) for m in state["messages"][:-2]]
return {"summary": response.content, "messages": to_delete}
# ── MODULE 5: ROUTING ────────────────────────────────────────
def route_supervisor(state: SupportState) -> Literal[
"order_agent", "refund_agent", "complaints_agent", "summarize_node", "__end__"
]:
"""
Reads next_agent from state and routes accordingly.
Also checks whether the conversation is long enough to need summarisation.
"""
next_agent = state.get("next_agent", "order_agent")
if next_agent == "FINISH":
if len(state["messages"]) > 6:
return "summarize_node"
return "__end__"
return next_agent
# ── MODULE 6: GRAPH ASSEMBLY ─────────────────────────────────
graph_builder = StateGraph(SupportState)
graph_builder.add_node("supervisor", supervisor_node)
graph_builder.add_node("order_agent", order_agent) # compiled subgraph
graph_builder.add_node("refund_agent", refund_agent) # compiled subgraph
graph_builder.add_node("complaints_agent", complaints_agent) # compiled subgraph
graph_builder.add_node("summarize_node", summarize_node)
graph_builder.add_edge(START, "supervisor")
graph_builder.add_conditional_edges(
"supervisor",
route_supervisor,
{
"order_agent": "order_agent",
"refund_agent": "refund_agent",
"complaints_agent": "complaints_agent",
"summarize_node": "summarize_node",
"__end__": END,
}
)
# After each specialist finishes, always return to supervisor.
# The supervisor re-evaluates and decides: another specialist, or FINISH.
graph_builder.add_edge("order_agent", "supervisor")
graph_builder.add_edge("refund_agent", "supervisor")
graph_builder.add_edge("complaints_agent", "supervisor")
graph_builder.add_edge("summarize_node", END)
memory = MemorySaver()
shopbot = graph_builder.compile(checkpointer=memory)
# ── MODULE 7: ENTRYPOINT ──────────────────────────────────────
def run_shopbot():
print("=" * 60)
print(" ShopBot Enterprise - Multi-Agent Customer Support")
print("=" * 60)
print("Type your message. Type 'exit' to quit. Type 'audit' to")
print("see the validation error log for this session.\n")
config = {"configurable": {"thread_id": "enterprise-session-001"}}
while True:
user_input = input("You: ").strip()
if not user_input:
continue
if user_input.lower() == "exit":
print("ShopBot: Thank you for contacting ShopBot. Have a great day!")
break
if user_input.lower() == "audit":
snapshot = shopbot.get_state(config)
errors = snapshot.values.get("validation_errors", [])
print(f"\n[AUDIT LOG] {len(errors)} validation event(s) this session:")
for i, err in enumerate(errors, 1):
print(f" {i}. {err}")
print()
continue
result = shopbot.invoke(
{"messages": [HumanMessage(content=user_input)]},
config=config,
)
while "__interrupt__" in result:
interrupt_data = result["__interrupt__"][0].value
print("\n" + "=" * 60)
print(" HUMAN REVIEW REQUIRED")
print("=" * 60)
for key, value in interrupt_data.items():
if key != "options":
print(f" {key.replace('_', ' ').title()}: {value}")
options = interrupt_data.get("options", [])
print(f"\n Options: {' | '.join(f'[{o[0]}] {o}' for o in options)}")
raw = input(" Your decision: ").strip().lower()
chosen = next((o for o in options if o.startswith(raw)), options[-1])
result = shopbot.invoke(Command(resume=chosen), config=config)
last = result["messages"][-1]
print(f"\nShopBot: {last.content}\n")
if __name__ == "__main__":
run_shopbot()
Jakie zmiany w zachowaniu
Zarówno wersja podstawowa, jak i wersja dla przedsiębiorstw stanowią poprawne implementacje standardowych wzorców LangGraph, ale zakładają różne założenia, a ta różnica ma znaczenie, gdy przechodzi się z środowiska testowego do systemu o rzeczywistych konsekwencjach.
Agent w wersji podstawowej zakładał, że model ma rację. Jeśli model wyodrębnił „ORD-0O1”, gdzie litera O zastąpiła zerę, narzędzie wykazałoby błąd, agent prawdopodobnie odzyskałby kontrolę, a klient mógłby otrzymać nieco mylącą odpowiedź. Prawdopodobnie to nie stanowi problemu.
Agent przedsiębiorstwa zakłada, że model czasami może się mylić, i tworzy ścieżkę naprawczą, zanim ten błąd dotrze do czegokolwiek zewnętrznego. Brama natychmiast łapie „ORD-0O1” i wyświetla komunikat błędu, w którym dokładnie określono, co poszło nie tak i dlaczego. Węzeł korekcyjny przekazuje ten dokładny komunikat z powrotem do modelu, który ma drugą szansę przy dokładnych instrukcjach. W przypadku ponownego niepowodzenia rozmowa jest przekazywana osobie. Żaden narzędzie nie pracowało z błędnymi danymi, a żaden system zewnętrzny nie widział tej halucynacji.
Dzięki polu validation_errors w stanie inżynier wyższego szczebla, który analizuje sesję dającą błędną odpowiedź, ma pełny rejestr każdego niepowodzenia bramy, próby korekty oraz liczby ponownych prób. Niepowodzenie można odtworzyć i zrozumieć, a następnie albo poprawić prompt, albo zaostrzyć zasady bramy. Bez takiego rejestru debugowanie systemu probabilistycznego oznacza zgadywanie.
Struktura trzech plików okazuje się korzystna również dla biegłych rewidentów. Na pytanie, co potwierdza możliwość zwrotu pieniędzy przed ich przekazaniem, odpowiedź brzmi: jeden plik napisany czystym Pythonem, bez żadnej architektury agentów do wyjaśnienia – jasne, sprawdzalne zasady biznesowe w języku, który każdy programista potrafi odczytać.
Glosariusz nowych elementów
- Brama logiki biznesowej: zwykły Python, który przyjmuje wydobyte dane i zwraca albo
(True, cleaned_data), albo(False, error_reason). Ma swój własny plik, wolny od importów z LangGraph, i jest wykonywany jako węzeł przed jakimkolwiek wywołaniem narzędzia. with_structured_output(PydanticModel): sprawia, że model zwraca dane zgodne ze schematem Pydantic, a nie tekst wolny. Schemat jest sprawdzany jeszcze przed uruchomieniem bramy, dzięki czemu strukturyzowany wynik w połączeniu z bramą zapewnia dwie warstwy walidacji.
extracted_data: dict: pole stanu, w którym trafia ustrukturyzowany wynik modelu przed jego sprawdzeniem przez bramy. Narzędzia czytają stąd, a nigdy bezpośrednio z surowego wyniku modelu.validation_errors: Annotated[list[str], operator.add]: ślad audytowy. Każda nieudana próba przez bramę jest do niego dodawana, a informacje te gromadzą się przez całą rozmowę.retry_count: int: zabezpieczenie przed pętlami nieskończonymi. Węzeł korekcyjny zwiększa tę wartość, funkcja routingu bramy ją sprawdza, a przekroczenie maksymalnej wartości oznacza konieczność eskalacji i rezygnację z kolejnej próby.correction_node: węzeł odzyskiwania. Czyta najnowszy błąd walidacji, tworzy specyficzne polecenie korekcyjne, ponownie wywołuje model z ustrukturyzowanym wynikiem i kieruje go z powrotem do bramy. Wszyscy trzej specjaliści korzystają z niego.gate_status: str: kanał pomiędzy węzłami bramkowymi a funkcjami routingu, przy czym wartościami mogą być „pending”, „passed”, „failed”, „escalated” oraz „aborted”. Funkcje routingu odczytują tę wartość zamiast analizować wynik modelu.supervisor_node: odczytuje stan rozmowy i zwraca nazwę specjalisty. Nigdy nie wywołuje narzędzi ani nie podejmuje żadnych działań.graph_builder.add_node("name", compiled_subgraph). Węzeł nadrzędny widzi czarną skrzynkę, natomiast podgraf samodzielnie zajmuje się routowaniem, logiką bramkową oraz wywoływaniem narzędzi.Zamykanie luki
Trudne aspekty pracy agenta przedsiębiorstwa leżą gdzie indziej niż w pierwszym układzie graficznym: deterministyczne radzenie sobie z błędami, walidacja stanu na dużą skalę oraz warstwa orkiestracji, która nie jest powiązana z jednym dostawcą modeli. Na te trzy kwestie znajduje się tutaj odpowiedź. Walidacja jest deterministyczna – awaria uruchamia cykl korekcyjny, a nie awarię systemu. Każdą decyzję można przeanalizować za pomocą śladu audytowego. W warstwie orkiestracji, niezależnie od bramek, funkcji routingu, logiki nadzorczej czy węzła korekcyjnego, nie ma niczego specyficznego dla danego dostawcy. Zmień skonfigurowanego dostawcę z ChatOpenAI na ChatAnthropic lub na cokolwiek innego, co obsługuje init_chat_model, a każda brama, ścieżka i reguła biznesowa będzie działać dokładnie tak samo jak wcześniej. Model jest modułem, który można podłączyć, natomiast architektura nie jest.
Literatura pokrewna
- Rozdzielanie zapytań klientów za pomocą wielu agentów z LangGraph i Ollamą — Stwórz grafikę do rozdzielania zapytań z trzema agentami przy użyciu LangGraph: klasyfikatora, osoby odpowiadającej oraz ludzkiego moderatora, działających na lokalnym Ollamie lub przez API przy użyciu zaledwie jednej zmienionej linii kodu.
- Stworzenie agenta do dokumentacji samokorygującego się za pomocą LangGraph i Ollamą — Lokalny proces refleksji, w którym jeden model tworzy szkic dokumentacji API w Pythonie, drugi je ocenia, a trzeci pogodzi wyniki, połączone w pętlę LangGraph na Ollamie.