Ворота валідації та маршрутизація кількох агентів для бота підтримки LangGraph
Додати до агента e-commerce LangGraph детерміністичні ворота бізнес-логіки, цикл валідації з самокорекцією та керівника з трьома спеціалізованими підграфами.
Уявіть собі бота для підтримки клієнтів онлайн-магазину, який тут називається ShopBot, створеного на базі LangGraph. Він шукає замовлення, перевіряє можливість повернення грошей, обробляє повернення після підтвердження людиною та підтримує узагальнення розмови. Базова версія такого бота вже працює. Далі описано три елементи, необхідні боту, який має реальні наслідки: механізми перевірки кожного результату роботи моделі, цикл для автоматичної корекції моделі та архітектура з кількома агентами, у якій керівник доручає завдання спеціалістам. Метою є кодова база, яку можна без вагань передати на перевірку у продакшн.
Вихідною точкою є граф із звичайними модулями: інструментами, циклом у стилі ReAct, станом та викликом interrupt(), який зупиняє роботу графа для отримання схвалення людиною.
Непомітна передумова у базовому боті
Проста версія покладається на модель мови у всіх ситуаціях. Її агент викликає перевірку на наявність умов та вірить, що ідентифікатор замовлення, який він надсилає, було правильно витягнуто з чату. Вузол перегляду показує цей ідентифікатор людині, але та, хто переглядає, схвалює чи відхиляє дію, не перевіряючи, чи існує цей ідентифікатор насправді. Інструмент для повернення грошей працює з тими аргументами, які обрала модель. Якщо модель створює хибну інформацію у вигляді „ORD-99X“, коли мало б бути „ORD-001“, інструмент дає помилку, агент бачить цю помилку, і може статися щось розумне. Фраза „може статися щось розумне“ — це слабкий опис обробки помилок у системі, яка переміщує гроші.
Фахівці, які керують автоматизованими процесами закупівель чи дотримання правил, чітко наголошують: ймовірнісні помилки там є неприйнятними. Рішенням не є більше довіряти моделі. Його потрібно знайти у повній відмові від довіри до її результатів та перевірці кожного структурованого результату за допомогою детерміністичного Python перед тим, як він вплине на щось ззовні.
Три доповнення та їхнє взаємозв’язок
Бізнес-логічні шлюзи знаходяться всередині вузлів та перевіряють результати моделі перед тим, як щось буде з ними робитися. Це звичайний Python без викликів моделі. Шлюз або дозволяє даним пройти, або відхиляє їх із конкретною, структурованою причиною. Це і є детерміністична перевірка всередині ймовірнісної системи.
Цикли валідації вирішують проблеми з елементами контролю. Відхилення не призводить до збою в роботі графа та не дає неправильної відповіді. Керування переходить до вузла корекції, який передає причину збою моделі та просить отримати правильний результат. Лічильник спроб у стані запобігає нескінченним циклам, а жорсткий ліміт спричиняє передачу справи людині.
Архітектура з кількома агентами замінює один вузол агента на трьох спеціалістів. Агент замовлень відповідає за пошук інформації та запити щодо статусу. Агент повернення коштів займається перевіркою умов та обробкою повернень. Агент зі скаргами допомагає незадоволеним клієнтам та керує процесом передачі справи вищим рівням. Вузол керівника перевіряє кожне надіслане повідомлення та надсилає його відповідному спеціалісту, причому кожен спеціаліст є скомпільованим підграфом власної структури.
Ці елементи працюють як єдина система. Агент повернення коштів керує шлюзом; несправний шлюз може запустити цикл перевірки, а системний керівник аналізує, як закінчився цей цикл, перш ніж вирішити спробувати знову, підняти проблему на вищий рівень чи припинити роботу. Разом вони надають готовому боту стійкості, якої вимагає корпоративне середовище.
Сплануйте схему перед тим, як приступати до коду
LangGraph заохочує планування, і чим більша схема, тим це більш актуально. Спочатку намалюйте всю систему. Кожен блок має відповідати саме одному вузлу чи функції маршрутизації, а кожна стрілка — саме одному ребру. Код потім стає перекладом цієї схеми у Python, модуль за модулем.
Нова структура файлів
Базовий бот поміщався у один файл. Однак при такому розмірі один файл стає незручним у використанні, тому проект розділяється на три частини.
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)
Навмисно імпорти LangGraph не включають до файлу gates. Завдяки цьому gates можна тестувати за допомогою звичайних тестів на одиницю: для перевірки правильності логіки валідації не потрібні моделі, графи чи працюючі процеси. Ви викликаєте gate з зразковими даними та перевіряєте результат, і саме це на практиці означає „детермінованість“.
Розширення схеми стану
Перш за все стану потрібні нові поля. Вихідна версія містила три користувацькі поля: резюме, ім’я клієнта та категорію замовлення. Додається ще чотири.
# ============================================================
# 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
Ключовим новим полем є extracted_data. У базовому боті модель генерувала текст у вільній формі та безпосередньо викликала інструменти, тож аргументи інструментів були тими, що модель вказувала у своєму запиті. Тепер модель спочатку генерує структуровані дані, які потрапляють у extracted_data. Фільтр перевіряє їх, і лише після проходження перевірки ці дані стають аргументами інструменту. Це усуває будь-який прямий шлях від моделі до зовнішніх систем.
Поле validation_errors позначене operator.add, тому воно накопичується протягом усієї розмови, а не лише одного кроку. Припустимо, у третьому кроці з’являється вигаданий ідентифікатор замовлення, а у сьомому — некоректна причина повернення грошей: обидві проблеми потрапляють до журналу аудиту. Це має значення під час перевірок дотримання правил.
Написання фільтрів
Функція перевірки є суто функцією верифікації. Вона приймає витягнуті дані та повертає тупл: (True, cleaned_data) у разі успіху або (False, error_reason) у разі невдачі. Це вся інтерфейсна частина — без викликів моделей та без залежностей від графів. Наведений нижче модуль включає перевірку ідентифікатора замовлення, перевірку повного повернення грошей та перевірку скарг, а також константи, які вони використовують.
# ============================================================
# 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
Подивіться, чого бракує у цьому файлі: імпортів з LangGraph, LangChain чи будь-якої бібліотеки ШІ. Будь-який розробник у команді може прочитати, протестувати та змінити його, не знаючи нічого про архітектуру агента. Коли аудитор запитує, що саме перевіряє запит на повернення грошей перед їх переказом, саме цей файл потрібно показати, і нерозробники зможуть його зрозуміти.
Цикл перевірки
Саме вузол корекції робить ворота корисними. Коли ворото не працює, виконання не зупиняється, а спрямовується сюди. Цей вузол бере конкретну причину помилки зі стану, створює інструкцію, яка чітко пояснює моделі, що саме пішло не так, та просить надати виправлену структуровану відповідь.
# ── 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)}"],
}
Перевірка повторної спроби, розташована у верхній частині, є найважливішим механізмом безпеки в усій системі. Без неї справді несправний вхідний даний (клієнт, який не надає коректного ID замовлення, або конфігурація моделі, яка постійно створює хибні дані), буде працювати без кінця, постійно переміщуючись між вузлом корекції та шлюзом. Дві спроби є розумним стандартом для роботи підтримки, оскільки вони дають моделі дві можливості виправити себе перед тим, як втрутиться людина. Цю кількість можна налаштувати в залежності від того, наскільки допустимі затримки порівняно з точністю.
Три спеціалізовані підграфи
Кожен спеціаліст — це скомпільований підграф із власними інструментами, логікою вилучення даних, шлюзом та внутрішнім маршрутизуванням. Головний керівницький граф не знає та не цікавиться цією внутрішньою структурою. Він бачить вузол, який отримує стан та повертає стан.
Агент замовлень
# ── 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()
Відстежте цикл у цьому підграфі. У випадку збою вузол контролю замовлення передає дані до вузла корекції, а вузол корекції знову передає їх назад у вузол контролю. Цей цикл є циклом перевірки, і він виконується щонайбільше двічі, перш ніж лічильник створить повідомлення про погіршення ситуації.
Агент з повернення грошей
Цей спеціаліст має найвище значення, оскільки він керує грошима. Він виконує два кроки контролю: спочатку перевірку ідентифікатора замовлення, а потім повну перевірку на можливість повернення грошей, причому процес людського схвалення залишається всередині цього підграфа.
# ── 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 з обробки скарг
Це найменш складний спеціаліст. Він визнає розчарування клієнта, підтверджує наявність достатньої кількості деталей для створення заявки та передає справу людині за допомогою interrupt(), коли інтенсивність емоцій є високою.
# ── 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 керівників
Після складання підграфів граф керівників виявляється дивовижно простим. Він лише спрямовує завдання. Він ніколи не виконує спеціалізованої роботи. Принцип, який лежить в основі моделей з багатьма агентами, саме такий: керівники спрямовують, а спеціалісти виконують.
# ============================================================
# 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()
Які зміни в поведінці
Як базова, так і корпоративна версії є правильними реалізаціями стандартних шаблонів LangGraph, але вони ґрунтуються на різних припущеннях, і ця різниця має значення, як тільки ви виходите за межі сандбоксу до системи з реальними наслідками.
Базовий агент припускав, що модель має рацію. Якщо модель видобувала „ORD-0O1“, де літера O замінювала нуль, інструмент видає помилку, агент, ймовірно, відновлює роботу, а клієнт може отримати трохи заплутану відповідь. Ймовірно, це нормально.
Корпоративний агент припускає, що модель іноді може помилятися, тому створює механізм відновлення ще до того, як ця помилка потрапить назовні. Фільтр миттєво захоплює значення „ORD-0O1“ та генерує повідомлення про помилку, у якому точно вказується, що пішло не так та чому. Вузол корекції передає саме це повідомлення назад до моделі, і модель отримує ще одну спробу з точними інструкціями. У разі повторної невдачі розмова передається людині. Жоден інструмент не працював із пошкодженими даними, і жодна зовнішня система не бачила цієї галюцинації.
Завдяки параметру validation_errors у стані інженер вищого рівня, який переглядає сеанс із неправильною відповіддю, має повний журнал кожної невдачі фільтра, спроби корекції та кількості повторних спроб. Невдачу можна відтворити та зрозуміти, після чого або виправляється запит, або посилюються правила фільтра. Без такого журналу відлагодження ймовірнісної системи означає лише здогадки.
Структура з трьома файлами є корисною також для аудиторів. Коли запитують, що підтверджує можливість повернення грошей перед їх переказом, відповідь — це один файл на чистому Python без архітектури агентів, яка б потребувала пояснень: чіткі, підлягаючі аудиту бізнес-правила мовою, зрозумілою будь-якому розробнику.
Глосарій нових елементів
- Бізнес-логічний бранч: звичайний Python, який приймає вихідні дані та повертає або
(True, cleaned_data), або(False, error_reason). Він має власний файл без імпортів з LangGraph та виконується як окремий вузол перед будь-яким викликом інструменту. with_structured_output(PydanticModel): змушує модель повертати дані, що відповідають схемі Pydantic, а не вільний текст. Схема перевіряється ще до запуску бранча, тож структурований вихід у поєднанні з бранчем забезпечує два рівні верифікації.
extracted_data: dict: поле стану, куди потрапляє структурований результат роботи моделі перед тим, як його перевірять шлюзи. Інструменти читають дані саме звідси, а не безпосередньо з первинного вихідного даних моделі.validation_errors: Annotated[list[str], operator.add]: історія аудиту. Кожна невдача шлюза додається до неї, і вона накопичується протягом усього діалогу.retry_count: int: захист від нескінченних циклів. Вузол корекції збільшує це значення, функція маршрутизації шлюза перевіряє його, а перевищення максимального значення означає необхідність підвищення рівня обробки та припинення подальших спроб.correction_node: вузол відновлення. Він читає останню помилку перевірки, створює конкретну інструкцію корекції, знову запускає модель із структурованим результатом та направляє його назад до шлюза. Усі три спеціалісти користуються ним одночасно.gate_status: str: канал між вузлами-брамами та функціями маршрутизації, зі значеннями "pending", "passed", "failed", "escalated" та "aborted". Функції маршрутизації читають це значення замість того, щоб аналізувати результати моделі.supervisor_node: читає стан розмови та повертає ім’я спеціаліста. Він ніколи не викликає інструменти та не вживає жодних дій.graph_builder.add_node("name", compiled_subgraph). Батьківський вузол бачить чорну скриньку, тоді як підграф самостійно керує маршрутизацією, логікою брам та викликами інструментів.Закриття прогалини
Складні аспекти роботи корпоративних агентів полягають не лише у форматі першої діаграми: це детерміноване оброблення помилок, перевірка стану у великих масштабах та шар оркестрації, який не прив’язаний до конкретного постачальника моделей. Усі ці проблеми отримують тут свої рішення. Перевірка є детермінованою – збій запускає цикл корекції, а не крах системи. Кожне рішення можна перевірити за допомогою журналу аудиту. У шарі оркестрації, чи то шлюзи, функції маршрутизації, логіка керування чи вузол корекції, немає нічого, що б залежало від конкретного постачальника. Якщо змінити налаштованого постачальника з ChatOpenAI на ChatAnthropic або на будь-який інший, який підтримується функцією init_chat_model, кожен шлюз, маршрут та бізнес-правило будуть працювати точно так само, як і раніше. Модель є модулем, який можна під’єднати, але сама архітектура – ні.
Пов’язана література
- Тріаж підтримки клієнтів за допомогою кількох агентів з LangGraph та Ollama — Створіть граф тріажу заявок із трьома агентами за допомогою LangGraph: класифікатор, оператор та людський модератор, які працюють на локальному Ollama або через API, з однією зміненою рядком коду.
- Створення агента для автокорекції документації з LangGraph та Ollama — Локальний процес обробки, у якому одна модель складає чернетку документації до Python API, друга її аналізує та критикує, а третя узгоджує результати, що з’єднані у цикл LangGraph на Ollama.