Stwórz ShopBot: agenta wspierającego LangGraph z pamięcią, narzędziami i możliwością zatwierdzania zwrotów pieniędzy
Stwórz agenta obsługi klienta w module LangGraph krok po kroku: stan, narzędzia, węzły, routowanie, podsumowania dynamiczne oraz przerwanie czekające na zatwierdzenie zwrotu pieniędzy.
Źródła: Your First Real LangGraph Project: Building a Customer Support Agent.
Projekt ten łączy trzy koncepcje z LangGraph w jednego agenta: architekturę grafową, pamięć rozmów oraz zatwierdzenie przez człowieka. Agentem jest bot obsługi klienta o nazwie ShopBot, przeznaczony dla fikcyjnego sklepu internetowego. Klienci mogą pytać o zamówienia, prosić o zwroty pieniędzy oraz eskalować skargi. Bot pamięta treść rozmowy, wyszukuje dane zamówień za pomocą rzeczywistych narzędzi i zatrzymuje proces przed dokonaniem zwrotu, czekając na zatwierdzenie osoby odpowiedzialnej. Kod jest budowany moduł po modułu, przy czym każdy element jest wyjaśniony, a wcześniejsze doświadczenie z LangGraph nie jest wymagane.
Najpierw zaplanuj graf
Częstym błędem początkujących jest otwieranie pustego pliku i zaczynanie pisania. LangGraph zachęca do najpierw narysowania grafu, na papierze lub w głowie. Na papierze ShopBot jest prosty: krok agenta, uruchamianie narzędzia, przegląd zwrotu pieniędzy oraz generator streszczeń stanowią węzły, dwa gałęzie określają przepływ, pojedyncza funkcja interrupt() zapobiega dalszej pracy w oczekiwaniu na zatwierdzenie, a jeden trigger uruchamia proces streszczania. Kod jedynie przepisuje ten obraz.
Ustawienia
Stwórz plik o nazwie shopbot.py lub otwórz notatnik Colab. Zainstaluj wymagane zależności:
pip install langgraph langchain langchain-openai langgraph-checkpoint-sqlite python-dotenv
Następnie utwórz plik .env w tej samej folderze, aby przechowywać tę wartość:
OPENAI_API_KEY=your-key-here
Moduł 1: importy i konfiguracja
Każdy import dla całego pliku znajduje się na górze, bez żadnych importów w środku pliku. Konfiguracja również znajduje się tutaj.
# ============================================================
# MODULE 1: IMPORTS & CONFIGURATION
# ============================================================
import os
import sqlite3
from typing import Annotated, Literal
from datetime import datetime
from dotenv import load_dotenv
# LangChain - the AI layer
from langchain_openai import ChatOpenAI
from langchain_core.messages import (
HumanMessage,
AIMessage,
SystemMessage,
BaseMessage,
RemoveMessage,
)
from langchain_core.tools import tool
# LangGraph - the graph layer
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import ToolNode
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import interrupt, Command
load_dotenv()
# ── The LLM ─────────────────────────────────────────────────
# temperature=0 means deterministic - the agent behaves
# consistently, which is what you want for a support bot.
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
Wybrany model to gpt-4o-mini. Jest na tyle wydajny, by służyć do pracy wsparcia, na tyle tani, by można go było często używać, i na tyle szybki, że użytkownicy nie zauważą opóźnień. System produkcyjny mógłby przenieść się na gpt-4o w przypadku trudniejszych zadań analitycznych, ale rozpoczęcie od prostszego rozwiązania jest rozsądne.
Moduł 2: stan
Stan to pamięć robocza agenta, więc wszystko, co przepływa przez graf, musi się w niej znajdować. Należy określić, co agent musi wiedzieć na każdym etapie.
# ============================================================
# MODULE 2: STATE
# ============================================================
class SupportState(MessagesState):
# MessagesState already gives us:
# messages: Annotated[list[BaseMessage], add_messages]
# We add three more fields for our specific needs:
# The running summary of the conversation (Part 2 pattern).
# Starts empty. Gets written by summarize_node when conversation gets long.
summary: str
# The name of the customer, extracted early in the conversation.
# Used to personalise every response. Starts empty.
customer_name: str
# Tracks the current ticket category, set by the agent.
# Helps the human reviewer understand context during escalation.
# Values: "order_inquiry" | "refund_request" | "complaint" | "general"
ticket_category: str
Istnieją trzy dodatkowe pola oprócz historii wiadomości. summary przechowuje skompresowaną wersję wcześniejszych rozmów: gdy liczba wiadomości w konwersacji przekroczy sześć, agent skraca historię do tego pola i usuwa stare, surowe wiadomości, dzięki czemu koszty tokenów pozostają stałe. customer_name to praktyczne pole niezbędne niemal każdemu agentowi obsługi klienta – dzięki przechowywaniu imienia w pamięci agent może adresować się do osób osobiście, bez konieczności ponownego czytania całej rozmowy przez każdy węzeł. ticket_category umożliwia warunkowe kierowanie rozmową, ponieważ agent ustala tę wartość, a funkcja kierowania odczytuje ją, aby zdecydować, czy należy uruchomić proces zatwierdzenia przez człowieka.
Moduł 3: narzędzia
Narzędzia są jak ręce agenta – bez nich może tylko rozmawiać, natomiast z nimi może szukać informacji i podejmować działania. ShopBot dysponuje trzema takimi narzędziami, wspieranymi przez fałszywą bazę danych w pamięci:
# ============================================================
# MODULE 3: TOOLS
# ============================================================
# ── Fake Database ────────────────────────────────────────────
# In a real project, these would be database queries or API calls.
# For learning purposes, we use a simple Python dictionary.
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",
},
}
@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 provides an order number and wants
to know the status, product name, or delivery date of their order.
Args:
order_id: The order ID string, e.g. 'ORD-001'
Returns:
A formatted string with full order details, or an error message
if the order is not found.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"No order found with ID '{order_id}'. Please double-check the order number."
return (
f"Order {order_id.upper()}: {order['product']} | "
f"Status: {order['status']} | "
f"Amount: ${order['amount']:.2f} | "
f"Delivery: {order['delivery_date']}"
)
@tool
def check_refund_eligibility(order_id: str) -> str:
"""Check whether an order is eligible for a refund.
Use this BEFORE processing any refund request. An order is eligible
for a refund only if its status is 'Delivered'. Orders Fthat are
'In Transit' or 'Processing' cannot be refunded yet.
Args:
order_id: The order ID string, e.g. 'ORD-001'
Returns:
A string stating whether the order is eligible and why.
"""
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"Product: {order['product']}, Amount: ${order['amount']:.2f}. "
f"Proceed to refund processing."
)
else:
return (
f"Order {order_id.upper()} is NOT eligible for a refund yet. "
f"Current status: {order['status']}. Refunds are only available "
f"for delivered orders."
)
@tool
def process_refund(order_id: str, reason: str) -> str:
"""Process a refund for a delivered order.
IMPORTANT: This tool actually issues the refund. It should only be
called AFTER human approval has been obtained. Never call this tool
without prior confirmation.
Args:
order_id: The order ID to refund
reason: The customer's stated reason for the refund
Returns:
A confirmation string with the refund reference number.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"Refund failed: order '{order_id}' not found."
# In a real system, this would hit your payments API.
refund_ref = f"REF-{order_id.upper()}-{datetime.now().strftime('%H%M%S')}"
return (
f"Refund APPROVED and PROCESSED. Reference: {refund_ref}. "
f"${order['amount']:.2f} will be returned to the original payment method "
f"within 3–5 business days. Reason logged: '{reason}'."
)
# ── Collect tools and bind to LLM ───────────────────────────
# All three tools in one list.
tools = [lookup_order, check_refund_eligibility, process_refund]
# llm_with_tools = the LLM that KNOWS about the tools and can decide to call them.
# This is what we use inside agent_node.
llm_with_tools = llm.bind_tools(tools)
# tool_node = the pre-built node that EXECUTES whatever tool the LLM chose.
# This is what we register in Module 6.
tool_node = ToolNode(tools)
Przyjrzyj się uważnie dokumentacji funkcji process_refund, w której stwierdza się, że narzędzie faktycznie przeprowadza zwrot środków i powinno być wywoływane wyłącznie po zatwierdzeniu przez człowieka. Model czyta te dokumentacje i korzysta z nich podczas podejmowania decyzji. Pisz je tak, jakbyś informował inteligentnego stażystę, który jeszcze nie zna twoich zasad biznesowych, ponieważ właśnie to w praktyce się dzieje.
Moduł 4: węzły
Węzły wykonywają pracę. Każdy z nich otrzymuje stan, wykonuje jakieś działanie i zwraca słownik z aktualizacjami – nic więcej. ShopBot posiada trzy węzły, które musisz napisać, plus już gotowy tool_node z poprzedniego modułu. Obejmują one komendę systemową, główny krok agenta, krok przeglądu zwrotu środków z użyciem interrupt() oraz narzędzie do tworzenia streszczeń:
# ============================================================
# MODULE 4: NODES
# ============================================================
# ── The System Prompt ────────────────────────────────────────
# Written once, used in every call to the LLM from agent_node.
# This is the personality and rulebook of your agent.
SYSTEM_PROMPT = """You are ShopBot, a friendly and professional customer support \
agent for an e-commerce store.
Your capabilities:
- Look up order details using the lookup_order tool
- Check if an order qualifies for a refund using check_refund_eligibility
- Process approved refunds using the process_refund tool
Your rules:
- Always greet the customer by name once you know it
- Always check refund eligibility BEFORE attempting to process a refund
- For refund requests, set ticket_category to "refund_request" in your reasoning
- Be empathetic, clear, and concise
- If you cannot help, offer to escalate to a human agent
Important: The process_refund tool requires prior human approval. Do not call it \
unless the conversation shows that a human has already approved the refund."""
# ── Node 1: agent_node ──────────────────────────────────────
def agent_node(state: SupportState) -> dict:
"""The brain of the operation. Reads state, calls the LLM, and decides
whether to use a tool, give a final answer, or do something else.
This node handles two cases:
1. Normal conversation - just call the LLM and respond
2. Long conversation - if a summary exists, prepend it so the LLM
has context without seeing all the raw messages
"""
# Part 2 pattern: check for an existing summary
summary = state.get("summary", "")
if summary:
# Build context: system prompt + compressed history + recent messages
system_with_summary = SystemMessage(
content=f"{SYSTEM_PROMPT}\n\nSummary of conversation so far:\n{summary}"
)
messages_to_send = [system_with_summary] + state["messages"]
else:
# No summary yet - full history is short enough to send as-is
system_msg = SystemMessage(content=SYSTEM_PROMPT)
messages_to_send = [system_msg] + state["messages"]
# Call the LLM. It sees tools and can choose to call one.
response = llm_with_tools.invoke(messages_to_send)
# Detect ticket category from the response for routing purposes.
# A smarter version would have the LLM explicitly set this -
# for now, we scan for keywords.
content_lower = response.content.lower() if response.content else ""
updates: dict = {"messages": [response]}
if "refund" in content_lower or (
hasattr(response, "tool_calls")
and any("refund" in str(tc).lower() for tc in (response.tool_calls or []))
):
updates["ticket_category"] = "refund_request"
return updates
# ── Node 2: review_refund ───────────────────────────────────
def review_refund(state: SupportState) -> dict:
"""The human approval gate. Pauses execution, shows the pending refund
details to a human agent, and waits for their decision.
This implements the Part 3 interrupt() pattern. Execution stops here
until someone calls graph.invoke(Command(resume=...), config).
Three outcomes the human can choose:
- "approve" → let the refund tool call proceed unchanged
- "reject" → cancel the refund, send a message to the customer
- "escalate" → hand the entire ticket to a human support agent
"""
last_message = state["messages"][-1]
# Find the refund-related tool call in the last AI message.
# We look for process_refund specifically - the "real action" tool.
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
# Surface the context to the human reviewer via interrupt().
# Everything in this dict is what the human sees before deciding.
human_decision = interrupt({
"message": "⚠️ Refund approval required",
"customer_name": state.get("customer_name", "Unknown"),
"tool_being_called": refund_tool_call["name"] if refund_tool_call else "refund tool",
"arguments": refund_tool_call["args"] if refund_tool_call else {},
"conversation_summary": state.get("summary", "No summary yet"),
"options": ["approve", "reject", "escalate"],
})
# ── Handle the human's decision ─────────────────────────
if human_decision == "approve":
# Do nothing to state - let tool_node execute the tool call as-is
return {}
elif human_decision == "reject":
# Cancel the tool call. The LLM will see a ToolMessage explaining why,
# and generate a polite response to the customer.
from langchain_core.messages import ToolMessage
return {
"messages": [
ToolMessage(
content=(
"Refund request was reviewed and declined by our support team. "
"Please inform the customer politely and offer alternatives."
),
tool_call_id=refund_tool_call["id"] if refund_tool_call else "unknown",
)
]
}
elif human_decision == "escalate":
# Signal escalation - in a real system you'd open a ticket,
# ping Slack, or transfer to a live agent queue.
from langchain_core.messages import ToolMessage
return {
"messages": [
ToolMessage(
content=(
"This ticket has been escalated to a senior support agent. "
"Inform the customer that a human agent will contact them "
"within 2 business hours."
),
tool_call_id=refund_tool_call["id"] if refund_tool_call else "unknown",
)
]
}
# Fallback - treat as approve
return {}
# ── Node 3: summarize_node ──────────────────────────────────
def summarize_node(state: SupportState) -> dict:
"""Triggered when the conversation exceeds 6 messages. Compresses the
full message history into a short summary, then deletes old raw messages.
This is the rolling summary pattern from Part 2. The summary grows
richer turn by turn. Token costs stay nearly flat no matter how long
the conversation runs.
"""
existing_summary = state.get("summary", "")
if existing_summary:
# Extend the existing summary with new messages
summary_instruction = (
f"Current summary:\n{existing_summary}\n\n"
"Extend this summary with the new messages above. "
"Keep it under 5 sentences. Focus on: the customer's name, "
"their issue, any orders mentioned, and what actions were taken."
)
else:
# First time summarising
summary_instruction = (
"Summarise this customer support conversation in under 5 sentences. "
"Include: the customer's name (if mentioned), their issue, "
"any order numbers discussed, and what actions were taken so far."
)
messages = state["messages"] + [HumanMessage(content=summary_instruction)]
response = llm.invoke(messages) # Plain llm, no tools needed here
# Delete all but the 2 most recent messages.
# The summary now holds everything that was in the deleted messages.
messages_to_delete = [
RemoveMessage(id=m.id) for m in state["messages"][:-2]
]
return {
"summary": response.content,
"messages": messages_to_delete,
}
Moduł 5: krawędzie i routowanie
Funkcje routowania decydują, dokąd iść dalej. Sprawdzają stan i zwracają ciąg znaków, przy czym nigdy nie modyfikują stanu, ponieważ to jest zadaniem węzłów. Potrzebne są dwa takie elementy:
# ============================================================
# MODULE 5: EDGES & ROUTING
# ============================================================
def route_after_agent(state: SupportState) -> Literal[
"review_refund", "tools", "summarize_node", "__end__"
]:
"""Called after agent_node runs. Decides what happens next.
Four possible routes:
1. The LLM wants to call process_refund → must go through human review first
2. The LLM wants to call any other tool → go directly to tool_node
3. The LLM gave a plain text answer AND the conversation is long → summarise
4. The LLM gave a plain text answer and conversation is short → we're done
"""
last_message = state["messages"][-1]
has_tool_calls = hasattr(last_message, "tool_calls") and bool(last_message.tool_calls)
if has_tool_calls:
# Check if ANY of the tool calls is the sensitive process_refund tool
tool_names = [tc["name"] for tc in last_message.tool_calls]
if "process_refund" in tool_names:
return "review_refund" # → Pause for human approval first
return "tools" # → Safe tool, run it directly
# No tool call - the LLM gave a plain response.
# Check if the conversation is long enough to need summarisation.
if len(state["messages"]) > 6:
return "summarize_node"
return "__end__" # → Conversation turn is complete
def route_after_review(state: SupportState) -> Literal["tools", "agent_node"]:
"""Called after review_refund runs (i.e., after the human has decided).
Two routes:
1. Human approved or escalated → run the tool (tool_node handles the call)
2. Human rejected → the review node already added a ToolMessage cancelling
the tool call, so skip tool_node and go back to agent_node to respond
"""
last_message = state["messages"][-1]
# If the last message is a ToolMessage, the review node cancelled the call.
# Go back to agent_node so it can generate a customer-facing response.
from langchain_core.messages import ToolMessage
if isinstance(last_message, ToolMessage):
return "agent_node"
# Otherwise, the review node returned {} (approved) - proceed to tools.
return "tools"
Moduł 6: budowa grafu
Wszystkie elementy są już dostępne, a proces budowy zawsze składa się z pięciu kroków: inicjalizacja, rejestracja węzłów, ustawienie punktu wejścia, dodawanie krawędzi oraz kompilacja.
# ============================================================
# MODULE 6: GRAPH ASSEMBLY
# ============================================================
# ── Step 1: Initialize ──────────────────────────────────────
graph_builder = StateGraph(SupportState)
# ── Step 2: Register All Nodes ──────────────────────────────
# Format: add_node("string_name", function)
# The string name is what you use in every edge definition below.
graph_builder.add_node("agent_node", agent_node)
graph_builder.add_node("tools", tool_node) # Pre-built from Module 3
graph_builder.add_node("review_refund", review_refund)
graph_builder.add_node("summarize_node", summarize_node)
# ── Step 3: Set Entry Point ─────────────────────────────────
# The first node that runs when a user sends a message.
graph_builder.add_edge(START, "agent_node")
# ── Step 4: Wire the Edges ──────────────────────────────────
# After agent_node: conditional - depends on what the LLM decided
graph_builder.add_conditional_edges(
"agent_node", # Source
route_after_agent, # Router function from Module 5
{
"review_refund": "review_refund", # Refund tool → human review first
"tools": "tools", # Other tools → run directly
"summarize_node": "summarize_node", # Long conversation → summarise
"__end__": END, # Plain answer → done
}
)
# After review_refund: conditional - depends on human's decision
graph_builder.add_conditional_edges(
"review_refund",
route_after_review,
{
"tools": "tools", # Approved → execute the tool
"agent_node": "agent_node", # Rejected → back to agent to respond
}
)
# After tools run: always go back to agent_node
# (the ReAct loop - agent sees tool result, decides what to do next)
graph_builder.add_edge("tools", "agent_node")
# After summarization: conversation turn is done
graph_builder.add_edge("summarize_node", END)
# ── Step 5: Compile ─────────────────────────────────────────
# Using MemorySaver for development.
# For production, swap this one line to SqliteSaver or PostgresSaver.
memory = MemorySaver()
shopbot = graph_builder.compile(checkpointer=memory)
W Colab lub Jupyter można wyświetlić wykres jako diagram:
from IPython.display import display, Image
from langchain_core.runnables.graph import MermaidDrawMethod
display(Image(
shopbot.get_graph().draw_mermaid_png(
draw_method=MermaidDrawMethod.API
)
))
Widok rzeczywistego schematu przepływu tego, co zbudowano, to jedna z najlepszych funkcji LangGraph dla uczących się. Jeśli diagram wygląda niewłaściwie, to krawędzie również są błędne.
Moduł 7: entrypoint
Tutaj faktycznie uruchamia się agent. W skrypcie jest to blok if __name__ == „__main__“, a w serwerze API – obsługa trasy, chociaż wzorzec jest taki sam w obu przypadkach.
# ============================================================
# MODULE 7: ENTRYPOINT
# ============================================================
def run_shopbot():
"""
Interactive command-line session with ShopBot.
Demonstrates: multi-turn conversation, tool use, and human-in-the-loop.
"""
print("=" * 55)
print(" ShopBot - Customer Support Agent")
print(" Powered by LangGraph")
print("=" * 55)
print("Type your message below. Type 'exit' to quit.")
print("Type 'state' to inspect what ShopBot currently remembers.\n")
# One config per session.
# thread_id is the session key - same ID = same memory thread.
# Change the ID to start a completely fresh conversation.
config = {"configurable": {"thread_id": "customer-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 support. Have a great day!")
break
# ── Debug: inspect current state ────────────────────
if user_input.lower() == "state":
snapshot = shopbot.get_state(config)
print("\n[DEBUG] Current State:")
print(f" Messages in state : {len(snapshot.values.get('messages', []))}")
print(f" Customer name : {snapshot.values.get('customer_name', '(not set)')}")
print(f" Ticket category : {snapshot.values.get('ticket_category', '(not set)')}")
print(f" Summary : {snapshot.values.get('summary', '(none yet)')}")
print(f" Next node(s) : {snapshot.next}\n")
continue
# ── Normal message: invoke the graph ─────────────────
result = shopbot.invoke(
{"messages": [HumanMessage(content=user_input)]},
config=config,
)
# ── Check if graph paused for human approval ─────────
# This is how you detect that interrupt() was called inside review_refund.
while "__interrupt__" in result:
interrupt_data = result["__interrupt__"][0].value
print("\n" + "=" * 55)
print(" HUMAN APPROVAL REQUIRED")
print("=" * 55)
print(f" Customer : {interrupt_data.get('customer_name', 'Unknown')}")
print(f" Action : {interrupt_data.get('tool_being_called', 'refund')}")
print(f" Arguments : {interrupt_data.get('arguments', {})}")
print(f" Context : {interrupt_data.get('conversation_summary', 'N/A')}")
print("=" * 55)
print("Options: [a] Approve [r] Reject [e] Escalate")
human_choice = input("Your decision: ").strip().lower()
if human_choice == "a":
resume_value = "approve"
elif human_choice == "r":
resume_value = "reject"
elif human_choice == "e":
resume_value = "escalate"
else:
print("Invalid choice. Defaulting to reject.")
resume_value = "reject"
# Resume the graph with the human's decision.
# Command(resume=...) answers the pending interrupt() call.
result = shopbot.invoke(
Command(resume=resume_value),
config=config,
)
# ── Print the agent's final response ─────────────────
last_message = result["messages"][-1]
print(f"\nShopBot: {last_message.content}\n")
if __name__ == "__main__":
run_shopbot()
Prawdziwa sesja
Przykładowa rozmowa pokazuje, czego można się spodziewać po jej uruchomieniu:
=======================================================
ShopBot — Customer Support Agent
Powered by LangGraph
=======================================================
Type your message below. Type 'exit' to quit.
Type 'state' to inspect what ShopBot currently remembers.
You: Hi, my name is Alex and I need help with order ORD-001
ShopBot: Hi Alex! I'd be happy to help you with order ORD-001.
I can see your order:
- Product: Wireless Headphones
- Status: Delivered on 2025-06-10
- Amount: $89.99
What can I help you with regarding this order?
You: I want to return it and get a refund
ShopBot: I've checked your order ORD-001 and it's eligible for a refund
since it's been delivered. Let me process that for you right away.
=======================================================
HUMAN APPROVAL REQUIRED
=======================================================
Customer : Alex
Action : process_refund
Arguments : {'order_id': 'ORD-001', 'reason': 'Customer requested return'}
Context : No summary yet
=======================================================
Options: [a] Approve [r] Reject [e] Escalate
Your decision: a
ShopBot: Great news, Alex! Your refund has been successfully processed.
Refund Reference: REF-ORD-001-143022
Amount: $89.99 will be returned to your original payment method within
3–5 business days.
Is there anything else I can help you with?
You: state
[DEBUG] Current State:
Messages in state : 6
Customer name : (not set)
Ticket category : refund_request
Summary : (none yet)
Next node(s) : ()
You: exit
ShopBot: Thank you for contacting support. Have a great day!
Co pokazuje projekt
Rozkład składający się z siedmiu modułów przedstawia architekturę od początku do końca: StateGraph, add_node, add_conditional_edges oraz compile, wszystkie w odpowiedniej kolejności. Jeśli chodzi o pamięć, istnieje pole summary, funkcja summarize_node oraz mechanizm aktualizacji podsumowania, w którym nowe wiadomości są kompresowane, a stare usuwane, plus wskaźnik MemorySaver, który utrzymuje historię aktywną na przestrzeni kolejnych rund. W przypadku udziału człowieka w procesie, węzeł review_refund jest wstrzymywany za pomocą interrupt(), punkt wejścia jest kontynuowany za pomocą Command(resume=...), a pętla while "__interrupt__" in result umożliwia obsługę kilku zatwierdzeń w jednej rundzie, oferując opcje zatwierdzenia, odrzucenia lub eskalacji.
Wiele elementów pochodzi z narzędzi. Prawdziwe narzędzia są deklarowane za pomocą @tool, a z góry przygotowany ToolNode je uruchamia, przy czym bind_tools łączy je z modelem. Pętla ReAct przechodzi przez narzędzia, węzeł agenta, ponownie narzędzia i tak dalej. Natomiast mechanizm routingu traktuje narzędzia inaczej: te bezpieczne trafiają bezpośrednio do tool_node, natomiast te wrażliwe muszą najpierw przejść przez review_refund.
Kolejne kroki
Projekt jest celowo kompletny, ale jednocześnie minimalistyczny. Istnieją trzy rozszerzenia, z których najprostsze to:
- Lepsze wykrywanie kategorii. Obecnie
ticket_categoryustala się poprzez skanowanie słów kluczowych wagent_node. Lepszym rozwiązaniem jest poproszenie modelu o wyraźną kategoryzację zgłoszenia przy użyciu ustrukturyzowanego wyniku, więc warto przyjrzeć się funkcjiwith_structured_output(). - Trwałość danych w SQLite. Zastąp
MemorySaver()funkcjąSqliteSaver– to zmiana wymagająca tylko jednej linijki w Modułu 6 – oraz dodaj pytanie przy uruchamianiu, czy chodzi o tę samą sesję, czy nową. Dzięki temu rozmowy przetrwają restarty. - Ścieżka eskalacji skarg. Dodaj czwarty węzeł
escalate_node, który zostanie uruchomiony, gdyticket_category == „complaint”a emocja klienta to„FRUSTRATED”. Wtedy wywołuje się funkcjęinterrupt(), aby poinformować ludzkiego pracownika, a następnie przechodzi się doroute_after_agentjako nowej ścieżki.
Szybki przewodnik
W tym projekcie pojawiło się kilka nowych wzorców. ToolNode(tools) to gotowy węzeł, który wykonywa poleceń narzędzi znajdujące się w ostatniej wiadomości modelu. llm.bind_tools(tools) łączy listę narzędzi z modelem, po czym ten może poprosić o użycie narzędzia, zwracając pole tool_calls zamiast zwykłego tekstu. @tool przekształca funkcję w Pythonie w coś, co model może wywołać, przy czym dokumentacja służy mu jako podstawa do decydowania o jej użyciu. Sprawdzenie hasattr(message, "tool_calls") and message.tool_calls to standardowy sposób na sprawdzenie, czy ostatnia wiadomość zawiera polecenie narzędzia, przy czym hasattr powinno być użyte najpierw, zanim dostępne zostanie właściwość. Pętla while "__interrupt__" in result obsługuje jedno lub więcej oczekujących przerwań, ponieważ każde Command(resume=...) odpowiada na jedną z nich i może uruchomić następną. Wreszcie, shopbot.get_state(config) pokazuje pełny obecny stan w każdej chwili: .values dostarcza słownik stanu, a .next wskazuje, co zostanie uruchomione dalej, co jest nieocenione przy debugowaniu.
Różnica pomiędzy zrozumieniem koncepcji a napisaniem kodu do jej realizacji rzeczywiście istnieje, a mały projekt, który mieści się w naszej głowie, ale jednocześnie wykorzystuje wszystkie dostępne narzędzia, pomaga ją zamknąć. Tutaj mamy wskaźnik postępu, rzeczywiste narzędzia, bramkę zatwierdzenia oraz mechanizm podsumowywania, które współpracują w ramach jednego agenta. Stwórz go, celowo go zepsuj, napraw i następnie rozszerz.
Literatura pokrewna
- Bramki walidacyjne i routowanie wielu agentów dla bota wsparcia LangGraph — Dodaj do agenta LangGraph przeznaczonego do e-commerce bramki deterministycznej logiki biznesowej, pętlę walidacji samokorygującą się oraz nadzorcę z trzema specjalistycznymi podgrafami.
- Triaging zleczeń wsparcia za pomocą wielu agentów z LangGraph i Ollama — Stwórz graf triagingu zleczeń z trzema agentami przy użyciu LangGraph: klasyfikatora, osoby odpowiadającej oraz ludzkiej bramki, działających na lokalnym Ollama lub przez API przy użyciu jednej zmienionej linii kodu.