Блоки валидации и маршрутизация между агентами для бота поддержки LangGraph
Добавить в агента LangGraph для электронной коммерции детерминистические блоки бизнес-логики, цикл валидации с самокоррекцией и систему управления с тремя специализированными подграфами.
Представьте бота для обслуживания клиентов в онлайн-магазине, назовем его ShopBot, созданного на базе LangGraph. Он находит информацию о заказах, проверяет возможность возврата средств, обрабатывает возвраты после утверждения человеком и ведет краткое резюме диалога. Базовая версия такого бота уже существует. Далее описываются три элемента, необходимые боту, имеющему реальные последствия: механизмы проверки каждого результата работы модели, цикл для автоматической коррекции модели и структура с несколькими агентами, при которой руководитель передает задачи специалистам. Цель — создание кодовой базы, которую можно без колебаний представить на проверке перед внедрением в производство.
В качестве основы принимается граф с обычными модулями: инструментами, циклом в стиле ReAct, состоянием и функцией interrupt(), которая приостанавливает работу графа в ожидании утверждения человеком.
Негласное предположение в базовом боте
Простая версия полагается на языковую модель во всех аспектах. Её агент запрашивает информацию о соответствии условиям и уверен, что идентификатор заказа, который он передаёт, был правильно извлечён из чата. Узел проверки показывает этот идентификатор человеку, но проверяющий лишь утверждает или отклоняет действие, не проверяя наличие идентификатора. Инструмент для возврата средств работает с теми аргументами, которые выбрала модель. Если модель выдумывает значение «ORD-99X» вместо предполагаемого «ORD-001», инструмент выдаёт ошибку, агент видит эту ошибку, и может произойти что-то разумное. Фраза «может произойти что-то разумное» — это слабое описание обработки ошибок в системе, обрабатывающей деньги.
Специалисты, использующие автоматизированные процессы закупок или контроля соответствия, четко подчеркивают: вероятностные сбои здесь недопустимы. Решение не заключается в усилении доверия к модели. Необходимо полностью перестать доверять ее результатам и проверять каждый структурированный результат с помощью детерминистического Python до того, как он будет использоваться во внешних целях.
Три дополнения и их взаимосвязь
Бизнес-логические шлюзы находятся внутри узлов и проверяют результаты работы модели перед тем, как с ними что-либо делается. Это обычный Python без вызовов модели. Шлюз либо пропускает данные, либо отклоняет их с конкретной, структурированной причиной. Это и есть детерминистическая проверка внутри вероятностной системы.
Циклы валидации предназначены для устранения сбоев на контрольно-пропускных устройствах. Отклонение не приводит к сбою всей структуры и не дает неверного результата тайно. Управление переходит к узлу коррекции, который передает причину сбоя в модель и запрашивает исправленный результат. Счетчик попыток в состоянии предотвращает бесконечные циклы, а жесткий лимит запускает процедуру передачи задачи человеку.
Архитектура с несколькими агентами заменяет один узел агента на трех специалистов. Агент заказов отвечает за поиск информации и запросы о статусе. Агент возвратов занимается проверкой соответствия условиям и обработкой возвратов средств. Агент по обработке жалоб помогает недовольным клиентам и решает связанные проблемы. Узел-надзиратель проверяет каждое поступающее сообщение и направляет его соответствующему специалисту, причем каждый специалист представляет собой скомпилированный подграф, отдельный от остальных.
Эти компоненты работают как единая система. Агент возврата средств управляет шлюзом; сбой в работе шлюза может запустить цикл проверки, а системный администратор анализирует, как закончился этот цикл, прежде чем решить повторить попытку, перевести проблему на более высокий уровень или прервать процесс. Вместе они придают готовому боту ту надежность, которая требуется в корпоративных средах.
Спланируйте структуру графа перед тем, как приступать к коду
LangGraph поощряет тщательное планирование, и чем больше граф, тем сильнее это актуально. Сначала набросайте всю структуру системы. Каждый блок должен соответствовать ровно одному узлу или функции маршрутизации, а каждая стрелка — ровно одной ребру. Затем код становится переводом этой схемы на Python, модуль за модулем.
Новая структура файлов
Простой бот помещался в один файл. Но при таком размере один файл становится неудобным в использовании, поэтому проект разделяется на три части.
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)
Намеренно импорты LangGraph не включаются в файл gates. Благодаря этому компоненты gates можно тестировать с помощью обычных тестов на единицы: для проверки корректности логики валидации не требуется ни модели, ни графа, ни запущенного процесса. Достаточно вызвать функцию gate с примерными данными и проверить результат — именно это на практике и означает «детерминированность».
Расширение схемы состояния
Прежде всего состоянию необходимы новые поля. Исходная версия включала три пользовательских поля: краткое описание, имя клиента и категорию заявки. Теперь добавлено ещё четыре поля.
# ============================================================
# 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
Ключевым новым полем является extracted_data. В базовом боте модель генерировала текст свободного формата и напрямую вызывала инструменты, поэтому аргументы инструментов определялись тем, что модель включала в свой вызов. Теперь модель сначала выдает структурированные данные, которые попадают в extracted_data. Система проверки анализирует их, и только после её одобрения эти данные становятся аргументами инструмента. Это исключает любой прямой путь от модели к внешним системам.
Поле validation_errors помечено оператором operator.add, поэтому оно накапливает ошибки на протяжении всего диалога, а не только за один этап. Предположим, что в третьем этапе появляется вымышленный идентификатор заказа, а в седьмом — некорректная причина возврата средств: обе проблемы попадают в журнал аудита. Это важно при проверке соответствия правилам.
Написание систем проверки
Функция проверки представляет собой чистую функцию верификации. Она принимает извлечённые данные и возвращает кортеж: (True, cleaned_data) в случае успеха или (False, error_reason) при неудаче. В этом и заключается вся интерфейсная модель — без вызовов моделей и без зависимостей от графа. Приведённый ниже модуль включает проверку идентификатора заказа, проверку полного возврата средств и проверку жалоб, а также константы, используемые в бизнес-логике.
# ============================================================
# 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
Посмотрите, чего не хватает в этом файле: импортов из LangGraph, LangChain или любой другой библиотеки ИИ. Любой разработчик в команде может прочитать его, протестировать и изменить, не зная ничего об архитектуре агента. Когда аудитор спрашивает, что именно проверяется перед осуществлением возврата средств, именно этот файл следует показать, поскольку его могут понять и те, кто не является инженерами.
Цикл проверки
Именно узел коррекции делает ворота полезными. Когда ворото проваливается, выполнение не останавливается, а направляется сюда. Узел берет конкретную причину сбоя из состояния, формирует инструкцию, в которой четко указывается, что пошло не так, и запрашивает скорректированный структурированный результат.
# ── 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)}"],
}
Проверка повторных попыток, расположенная вверху, является самым важным механизмом безопасности во всей системе. Без неё данные от совершенно неисправного источника (например, от клиента, который не предоставляет действительный идентификатор заказа, или от конфигурации модели, постоянно генерирующей ошибочные данные) будут постоянно циркулировать между узлом коррекции и контрольным узлом без конца. Два повторных попытки представляют собой разумный стандарт для работы службы поддержки, поскольку они дают модели два шанса самостоятельно исправить ошибку перед вмешательством человека. Это количество можно настраивать в зависимости от того, насколько допустимы задержки по сравнению с точностью.
Три специализированных подграфа
Каждый специалист представляет собой скомпилированный подграф с собственными инструментами, логикой извлечения данных, контрольными узлами и внутренней схемой маршрутизации. Родительский узел-контролер не знает и не интересуется этой внутренней структурой; он видит лишь узел, который принимает состояние и возвращает его обратно.
Агент заказов
# ── 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()
Отследите цикл в этом подграфе. Узел проверки заказа передаёт данные в узел коррекции при возникновении ошибки, а узел коррекции возвращает информацию обратно в узел проверки. Этот цикл и является циклом проверки, и он выполняется не более двух раз до тех пор, пока счётчик не сгенерирует сообщение о переводе дела на более высокий уровень.
Агент по возврату средств
Этот специалист имеет наибольшее значение, поскольку он занимается деньгами. Он выполняет две проверки: сначала проверку идентификатора заказа, а затем полную проверку на возможность возврата средств, причём процедура утверждения человеком остаётся внутри этого подграфа.
# ── 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()
Агент по обработке жалоб
Это наименее сложный специалист. Он признаёт разочарование клиента, подтверждает наличие достаточного количества деталей для открытия заявки и передаёт её человеку с помощью interrupt(), когда интенсивность негативных эмоций высока.
# ── 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()
Граф надзирателей
После сборки подграфов граф надзирателей оказывается чрезвычайно простым. Он лишь направляет запросы. Он никогда не выполняет специализированную работу. Принцип работы моделей с несколькими агентами заключается именно в этом: надзиратели направляют, а специалисты выполняют задачи.
# ============================================================
# 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()
Какие изменения в поведении
И базовая, и корпоративная версии являются корректными реализациями стандартных шаблонов LangGraph, но они исходят из разных предположений, и эта разница становится значимой, когда вы переходите из среды тестирования к системе с реальными последствиями.
Базовый агент исходил из того, что модель всегда права. Если модель извлекала значение „ORD-0O1“, где буква O заменяла ноль, инструмент выдавал бы ошибку, агент, скорее всего, справлялся бы с ситуацией, и клиент мог бы получить немного запутанный ответ. Вероятно, это не проблема.
Агент предприятия исходит из того, что модель иногда может ошибаться, и создаёт план восстановления до того, как ошибка достигнет внешних систем. Фильтр сразу же перехватывает сообщение «ORD-0O1» и выводит сообщение об ошибке, в котором точно указывается, в чём состояла ошибка и почему. Узел коррекции возвращает это точное сообщение обратно в модель, и та получает вторую попытку с чёткими инструкциями. При повторной неудаче диалог передаётся человеку. Никакие инструменты не работали с некорректными данными, и никакая внешняя система не видела галлюцинаций.
Благодаря параметру validation_errors в состоянии системы старший инженер, проверяющий сессию с неверным ответом, имеет полный журнал всех сбоев фильтров, попыток коррекции и количества повторных попыток. Такую неудачу можно воспроизвести и понять, после чего либо исправляется запрос, либо ужесточаются правила фильтра. Без такого журнала отладка вероятностной системы сводится к угадыванию.
Структура из трех файлов оказывается выгодной и для аудиторов. На вопрос о том, что подтверждает возможность возврата средств до их перевода, ответ заключается в одном файле на чистом Python без какой-либо архитектуры агентов, что позволяет использовать понятные, поддающиеся аудиту бизнес-правила на языке, понятном любому разработчику.
Глоссарий новых элементов
- Бизнес-логический шлюз: простой код на Python, который принимает извлеченные данные и возвращает либо
(True, cleaned_data), либо(False, error_reason). У него есть собственный файл без импортов из LangGraph, и он выполняется в виде узла до любого вызова инструмента. with_structured_output(PydanticModel): заставляет модель возвращать данные, соответствующие схеме Pydantic, а не простой текст. Схема проверяется ещё до запуска шлюза, так что структурированный вывод в сочетании с шлюзом обеспечивает двойной уровень проверки.
extracted_data: dict: поле состояния, куда попадает структурированный результат работы модели перед тем, как его обработают шлюзы. Инструменты считывают данные именно отсюда, а не непосредственно из первоначального вывода модели.validation_errors: Annotated[list[str], operator.add]: журнал аудита. Каждая неудача работы шлюза добавляется в него, и он накапливает информацию на протяжении всего диалога.retry_count: int: мера защиты от бесконечных циклов. Узел коррекции увеличивает его значение, функция маршрутизации шлюза проверяет его, и при превышении максимального значения происходит переход к более высокому уровню обработки без дополнительных попыток.correction_node: узел восстановления. Он считывает последнюю ошибку проверки, формирует конкретную инструкцию по коррекции, повторно запускает модель с структурированным результатом и направляет его обратно к шлюзу. Им пользуются все три специалиста.gate_status: str: канал связи между узлами-шлюзами и функциями маршрутизации; возможные значения — "pending", "passed", "failed", "escalated" и "aborted". Функции маршрутизации считывают этот параметр вместо анализа вывода модели.supervisor_node: считывает состояние разговора и возвращает имя специалиста. Он никогда не вызывает инструменты и не выполняет никаких действий.graph_builder.add_node("name", compiled_subgraph). Родительский узел видит его как «черный ящик», в то время как сам подграф обрабатывает маршрутизацию, логику шлюзов и вызовы инструментов.Преодоление пробелов
Сложные аспекты работы агента в корпоративных системах заключаются не столько в первом способе размещения графов, сколько в детерминированной обработке ошибок, проверке состояния в масштабах и слое оркестрации, не привязанном к конкретному поставщику моделей. На все три вопроса здесь есть ответы. Проверка состояния является детерминированной: сбой запускает цикл коррекции, а не приводит к сбою всей системы. Каждое решение можно проследить по журналу аудита. В слое оркестрации — будь то шлюзы, функции маршрутизации, логика управления или узел коррекции — нет ничего, что зависело бы от конкретного поставщика. Если изменить настроенного поставщика с ChatOpenAI на ChatAnthropic или на любой другой, поддерживаемый функцией init_chat_model, все шлюзы, маршруты и бизнес-правила будут работать точно так же, как раньше. Модель представляет собой модуль, который можно подключить, но сама архитектура — нет.
Связанные материалы
- Триаж тикетов поддержки с использованием нескольких агентов и LangGraph, Ollama — Создание графа триажа тикетов с участием трех агентов с помощью LangGraph: классификатора, ответчика и человека-проверщика, работающих на локальной версии Ollama или через API с изменением всего одной строки кода.
- Создание агента для автокоррекции документации с использованием LangGraph и Ollama — Локальная система обработки, в которой одна модель разрабатывает документацию к Python-API, вторая её анализирует, а третья согласовывает результаты; все элементы связаны между собой в цикле LangGraph на базе Ollama.