Створіть ShopBot: агента підтримки LangGraph із пам’яттю, інструментами та можливістю схвалення повернень грошей
Створіть агента обслуговування клієнтів у модулі LangGraph поетапно: стани, інструменти, вузли, маршрутизація, постійні підсумки та механізм переривання, який чекає на схвалення повернення грошей.
Джерела: Your First Real LangGraph Project: Building a Customer Support Agent.
Цей проект об’єднує три ідеї LangGraph у одного агента: архітектуру графа, пам’ять розмови та схвалення людини. Агент — це бот підтримки клієнтів під назвою ShopBot для уявного інтернет-магазину. Клієнти можуть запитувати про замовлення, просити повернення грошей та піднімати скарги. Бот пам’ятає хід розмови, шукає дані про замовлення за допомогою реальних інструментів та зупиняється на схвалення людини перед тим, як буде здійснено будь-яке повернення коштів. Код створюється модуль за модулем, причому кожна частина пояснюється, і попередній досвід роботи з LangGraph не є обов’язковим.
Спочатку сплануйте граф
Поширеною помилкою початківців є відкриття порожнього файлу та початок написання коду. LangGraph заохочує спочатку накреслити схему графа — на папері чи у своїй уяві. На папері ShopBot є простим: етап дії агента, виконувач інструментів, перевірка повернення грошей та сумаризатор утворюють вузли; дві гілки визначають потік дій, один метод interrupt() зупиняє виконання на чекання схвалення, а один тригер запускає процес сумаризації. Код лише фіксує цю структуру.
Налаштування
Створіть файл під назвою shopbot.py або відкрийте ноутбук Colab. Встановіть необхідні залежності:
pip install langgraph langchain langchain-openai langgraph-checkpoint-sqlite python-dotenv
Потім створіть файл .env у тій самій папці для зберігання ключа:
OPENAI_API_KEY=your-key-here
Модуль 1: імпорти та налаштування
Усі імпорти для всього файлу розташовуються у верхній частині, без жодних імпортів у середині. Налаштування також знаходяться тут.
# ============================================================
# MODULE 1: IMPORTS & CONFIGURATION
# ============================================================
import os
import sqlite3
from typing import Annotated, Literal
from datetime import datetime
from dotenv import load_dotenv
# LangChain - the AI layer
from langchain_openai import ChatOpenAI
from langchain_core.messages import (
HumanMessage,
AIMessage,
SystemMessage,
BaseMessage,
RemoveMessage,
)
from langchain_core.tools import tool
# LangGraph - the graph layer
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import ToolNode
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import interrupt, Command
load_dotenv()
# ── The LLM ─────────────────────────────────────────────────
# temperature=0 means deterministic - the agent behaves
# consistently, which is what you want for a support bot.
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
Вибраний модель — gpt-4o-mini. Він достатньо потужний для виконання завдань підтримки, достатньо дешевий, щоб його можна було використовувати часто, та достатньо швидкий, щоб користувачі не помічали затримок. У продакшн-системах можуть використовуватися gpt-4o для складніших завдань на міркування, але почати з простішого варіанту — розумний підхід.
Модуль 2: стан
Стан — це робоча пам’ять агента, тому все, що проходить через граф, має знаходитися в ній. Визначте, що агент повинен знати на кожному етапі.
# ============================================================
# MODULE 2: STATE
# ============================================================
class SupportState(MessagesState):
# MessagesState already gives us:
# messages: Annotated[list[BaseMessage], add_messages]
# We add three more fields for our specific needs:
# The running summary of the conversation (Part 2 pattern).
# Starts empty. Gets written by summarize_node when conversation gets long.
summary: str
# The name of the customer, extracted early in the conversation.
# Used to personalise every response. Starts empty.
customer_name: str
# Tracks the current ticket category, set by the agent.
# Helps the human reviewer understand context during escalation.
# Values: "order_inquiry" | "refund_request" | "complaint" | "general"
ticket_category: str
Існують ще три додаткові поля окрім історії повідомлень. summary містить стислий запис попередніх діалогів: як тільки кількість повідомлень у розмові перевищує шість, агент стискає історію у це поле та видаляє старі необроблені повідомлення, щоб витрати на токени залишалися стабільними. customer_name — це корисне поле для майже будь-якого агента підтримки. Маючи ім’я у стані, агент може особисто привітатися з клієнтами, без необхідності кожному вузлу знову читати чат для пошуку імені. ticket_category дозволяє здійснювати умовне направлення, оскільки агент встановлює його, а функція направлення читає його, щоб вирішити, чи потрібно активувати процес схвалення людиною.
Модуль 3: інструменти
Інструменти — це руки агента. Без них він може лише розмовляти, а з ними може шукати інформацію та виконувати дії. ShopBot має три такі інструменти, підтримувані фальшивою базою даних у пам’яті:
# ============================================================
# MODULE 3: TOOLS
# ============================================================
# ── Fake Database ────────────────────────────────────────────
# In a real project, these would be database queries or API calls.
# For learning purposes, we use a simple Python dictionary.
ORDERS_DB = {
"ORD-001": {
"customer": "Alex",
"product": "Wireless Headphones",
"status": "Delivered",
"amount": 89.99,
"delivery_date": "2025-06-10",
},
"ORD-002": {
"customer": "Sam",
"product": "Phone Case",
"status": "In Transit",
"amount": 14.99,
"delivery_date": "Expected 2025-06-18",
},
"ORD-003": {
"customer": "Jordan",
"product": "Laptop Stand",
"status": "Processing",
"amount": 45.00,
"delivery_date": "Expected 2025-06-20",
},
}
@tool
def lookup_order(order_id: str) -> str:
"""Look up the details of a customer's order by order ID.
Use this when the customer provides an order number and wants
to know the status, product name, or delivery date of their order.
Args:
order_id: The order ID string, e.g. 'ORD-001'
Returns:
A formatted string with full order details, or an error message
if the order is not found.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"No order found with ID '{order_id}'. Please double-check the order number."
return (
f"Order {order_id.upper()}: {order['product']} | "
f"Status: {order['status']} | "
f"Amount: ${order['amount']:.2f} | "
f"Delivery: {order['delivery_date']}"
)
@tool
def check_refund_eligibility(order_id: str) -> str:
"""Check whether an order is eligible for a refund.
Use this BEFORE processing any refund request. An order is eligible
for a refund only if its status is 'Delivered'. Orders Fthat are
'In Transit' or 'Processing' cannot be refunded yet.
Args:
order_id: The order ID string, e.g. 'ORD-001'
Returns:
A string stating whether the order is eligible and why.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"Cannot check refund: order '{order_id}' not found."
if order["status"] == "Delivered":
return (
f"Order {order_id.upper()} IS eligible for a refund. "
f"Product: {order['product']}, Amount: ${order['amount']:.2f}. "
f"Proceed to refund processing."
)
else:
return (
f"Order {order_id.upper()} is NOT eligible for a refund yet. "
f"Current status: {order['status']}. Refunds are only available "
f"for delivered orders."
)
@tool
def process_refund(order_id: str, reason: str) -> str:
"""Process a refund for a delivered order.
IMPORTANT: This tool actually issues the refund. It should only be
called AFTER human approval has been obtained. Never call this tool
without prior confirmation.
Args:
order_id: The order ID to refund
reason: The customer's stated reason for the refund
Returns:
A confirmation string with the refund reference number.
"""
order = ORDERS_DB.get(order_id.upper())
if not order:
return f"Refund failed: order '{order_id}' not found."
# In a real system, this would hit your payments API.
refund_ref = f"REF-{order_id.upper()}-{datetime.now().strftime('%H%M%S')}"
return (
f"Refund APPROVED and PROCESSED. Reference: {refund_ref}. "
f"${order['amount']:.2f} will be returned to the original payment method "
f"within 3–5 business days. Reason logged: '{reason}'."
)
# ── Collect tools and bind to LLM ───────────────────────────
# All three tools in one list.
tools = [lookup_order, check_refund_eligibility, process_refund]
# llm_with_tools = the LLM that KNOWS about the tools and can decide to call them.
# This is what we use inside agent_node.
llm_with_tools = llm.bind_tools(tools)
# tool_node = the pre-built node that EXECUTES whatever tool the LLM chose.
# This is what we register in Module 6.
tool_node = ToolNode(tools)
Уважно перегляньте документацію до функції process_refund — у ній зазначено, що цей інструмент справді здійснює повернення грошей та має викликатися лише після схвалення людиною. Модель читає ці документації та використовує їх для прийняття рішень. Пишіть їх так, ніби пояснюєте все розумному стажеру, який ще не знає ваших бізнес-правил, адже саме це насправді відбувається.
Модуль 4: вузли
Вузли виконують роботу. Кожен з них отримує поточний стан, виконує певні дії та повертає словник з оновленнями — більше нічого. У ShopBot є три вузли, які ви самі пишете, а також готовий вузол tool_node з попереднього модуля. Вони включають системний запит, основний крок агента, крок перевірки повернення грошей із функцією interrupt() та засіб для підсумовування інформації:
# ============================================================
# MODULE 4: NODES
# ============================================================
# ── The System Prompt ────────────────────────────────────────
# Written once, used in every call to the LLM from agent_node.
# This is the personality and rulebook of your agent.
SYSTEM_PROMPT = """You are ShopBot, a friendly and professional customer support \
agent for an e-commerce store.
Your capabilities:
- Look up order details using the lookup_order tool
- Check if an order qualifies for a refund using check_refund_eligibility
- Process approved refunds using the process_refund tool
Your rules:
- Always greet the customer by name once you know it
- Always check refund eligibility BEFORE attempting to process a refund
- For refund requests, set ticket_category to "refund_request" in your reasoning
- Be empathetic, clear, and concise
- If you cannot help, offer to escalate to a human agent
Important: The process_refund tool requires prior human approval. Do not call it \
unless the conversation shows that a human has already approved the refund."""
# ── Node 1: agent_node ──────────────────────────────────────
def agent_node(state: SupportState) -> dict:
"""The brain of the operation. Reads state, calls the LLM, and decides
whether to use a tool, give a final answer, or do something else.
This node handles two cases:
1. Normal conversation - just call the LLM and respond
2. Long conversation - if a summary exists, prepend it so the LLM
has context without seeing all the raw messages
"""
# Part 2 pattern: check for an existing summary
summary = state.get("summary", "")
if summary:
# Build context: system prompt + compressed history + recent messages
system_with_summary = SystemMessage(
content=f"{SYSTEM_PROMPT}\n\nSummary of conversation so far:\n{summary}"
)
messages_to_send = [system_with_summary] + state["messages"]
else:
# No summary yet - full history is short enough to send as-is
system_msg = SystemMessage(content=SYSTEM_PROMPT)
messages_to_send = [system_msg] + state["messages"]
# Call the LLM. It sees tools and can choose to call one.
response = llm_with_tools.invoke(messages_to_send)
# Detect ticket category from the response for routing purposes.
# A smarter version would have the LLM explicitly set this -
# for now, we scan for keywords.
content_lower = response.content.lower() if response.content else ""
updates: dict = {"messages": [response]}
if "refund" in content_lower or (
hasattr(response, "tool_calls")
and any("refund" in str(tc).lower() for tc in (response.tool_calls or []))
):
updates["ticket_category"] = "refund_request"
return updates
# ── Node 2: review_refund ───────────────────────────────────
def review_refund(state: SupportState) -> dict:
"""The human approval gate. Pauses execution, shows the pending refund
details to a human agent, and waits for their decision.
This implements the Part 3 interrupt() pattern. Execution stops here
until someone calls graph.invoke(Command(resume=...), config).
Three outcomes the human can choose:
- "approve" → let the refund tool call proceed unchanged
- "reject" → cancel the refund, send a message to the customer
- "escalate" → hand the entire ticket to a human support agent
"""
last_message = state["messages"][-1]
# Find the refund-related tool call in the last AI message.
# We look for process_refund specifically - the "real action" tool.
refund_tool_call = None
if hasattr(last_message, "tool_calls"):
for tc in last_message.tool_calls:
if "refund" in tc["name"].lower():
refund_tool_call = tc
break
# Surface the context to the human reviewer via interrupt().
# Everything in this dict is what the human sees before deciding.
human_decision = interrupt({
"message": "⚠️ Refund approval required",
"customer_name": state.get("customer_name", "Unknown"),
"tool_being_called": refund_tool_call["name"] if refund_tool_call else "refund tool",
"arguments": refund_tool_call["args"] if refund_tool_call else {},
"conversation_summary": state.get("summary", "No summary yet"),
"options": ["approve", "reject", "escalate"],
})
# ── Handle the human's decision ─────────────────────────
if human_decision == "approve":
# Do nothing to state - let tool_node execute the tool call as-is
return {}
elif human_decision == "reject":
# Cancel the tool call. The LLM will see a ToolMessage explaining why,
# and generate a polite response to the customer.
from langchain_core.messages import ToolMessage
return {
"messages": [
ToolMessage(
content=(
"Refund request was reviewed and declined by our support team. "
"Please inform the customer politely and offer alternatives."
),
tool_call_id=refund_tool_call["id"] if refund_tool_call else "unknown",
)
]
}
elif human_decision == "escalate":
# Signal escalation - in a real system you'd open a ticket,
# ping Slack, or transfer to a live agent queue.
from langchain_core.messages import ToolMessage
return {
"messages": [
ToolMessage(
content=(
"This ticket has been escalated to a senior support agent. "
"Inform the customer that a human agent will contact them "
"within 2 business hours."
),
tool_call_id=refund_tool_call["id"] if refund_tool_call else "unknown",
)
]
}
# Fallback - treat as approve
return {}
# ── Node 3: summarize_node ──────────────────────────────────
def summarize_node(state: SupportState) -> dict:
"""Triggered when the conversation exceeds 6 messages. Compresses the
full message history into a short summary, then deletes old raw messages.
This is the rolling summary pattern from Part 2. The summary grows
richer turn by turn. Token costs stay nearly flat no matter how long
the conversation runs.
"""
existing_summary = state.get("summary", "")
if existing_summary:
# Extend the existing summary with new messages
summary_instruction = (
f"Current summary:\n{existing_summary}\n\n"
"Extend this summary with the new messages above. "
"Keep it under 5 sentences. Focus on: the customer's name, "
"their issue, any orders mentioned, and what actions were taken."
)
else:
# First time summarising
summary_instruction = (
"Summarise this customer support conversation in under 5 sentences. "
"Include: the customer's name (if mentioned), their issue, "
"any order numbers discussed, and what actions were taken so far."
)
messages = state["messages"] + [HumanMessage(content=summary_instruction)]
response = llm.invoke(messages) # Plain llm, no tools needed here
# Delete all but the 2 most recent messages.
# The summary now holds everything that was in the deleted messages.
messages_to_delete = [
RemoveMessage(id=m.id) for m in state["messages"][:-2]
]
return {
"summary": response.content,
"messages": messages_to_delete,
}
Модуль 5: краї та маршрутизація
Функції маршрутизації вирішують, куди рухатися далі. Вони перевіряють стан та повертають рядок, і ніколи не змінюють стан, оскільки це завдання вузлів. Потрібні дві такі функції:
# ============================================================
# MODULE 5: EDGES & ROUTING
# ============================================================
def route_after_agent(state: SupportState) -> Literal[
"review_refund", "tools", "summarize_node", "__end__"
]:
"""Called after agent_node runs. Decides what happens next.
Four possible routes:
1. The LLM wants to call process_refund → must go through human review first
2. The LLM wants to call any other tool → go directly to tool_node
3. The LLM gave a plain text answer AND the conversation is long → summarise
4. The LLM gave a plain text answer and conversation is short → we're done
"""
last_message = state["messages"][-1]
has_tool_calls = hasattr(last_message, "tool_calls") and bool(last_message.tool_calls)
if has_tool_calls:
# Check if ANY of the tool calls is the sensitive process_refund tool
tool_names = [tc["name"] for tc in last_message.tool_calls]
if "process_refund" in tool_names:
return "review_refund" # → Pause for human approval first
return "tools" # → Safe tool, run it directly
# No tool call - the LLM gave a plain response.
# Check if the conversation is long enough to need summarisation.
if len(state["messages"]) > 6:
return "summarize_node"
return "__end__" # → Conversation turn is complete
def route_after_review(state: SupportState) -> Literal["tools", "agent_node"]:
"""Called after review_refund runs (i.e., after the human has decided).
Two routes:
1. Human approved or escalated → run the tool (tool_node handles the call)
2. Human rejected → the review node already added a ToolMessage cancelling
the tool call, so skip tool_node and go back to agent_node to respond
"""
last_message = state["messages"][-1]
# If the last message is a ToolMessage, the review node cancelled the call.
# Go back to agent_node so it can generate a customer-facing response.
from langchain_core.messages import ToolMessage
if isinstance(last_message, ToolMessage):
return "agent_node"
# Otherwise, the review node returned {} (approved) - proceed to tools.
return "tools"
Модуль 6: складання графа
Усі елементи вже є, і процес складання завжди включає п’ять кроків: ініціалізація, реєстрація вузлів, встановлення точки входу, додавання ребер та компіляція.
# ============================================================
# MODULE 6: GRAPH ASSEMBLY
# ============================================================
# ── Step 1: Initialize ──────────────────────────────────────
graph_builder = StateGraph(SupportState)
# ── Step 2: Register All Nodes ──────────────────────────────
# Format: add_node("string_name", function)
# The string name is what you use in every edge definition below.
graph_builder.add_node("agent_node", agent_node)
graph_builder.add_node("tools", tool_node) # Pre-built from Module 3
graph_builder.add_node("review_refund", review_refund)
graph_builder.add_node("summarize_node", summarize_node)
# ── Step 3: Set Entry Point ─────────────────────────────────
# The first node that runs when a user sends a message.
graph_builder.add_edge(START, "agent_node")
# ── Step 4: Wire the Edges ──────────────────────────────────
# After agent_node: conditional - depends on what the LLM decided
graph_builder.add_conditional_edges(
"agent_node", # Source
route_after_agent, # Router function from Module 5
{
"review_refund": "review_refund", # Refund tool → human review first
"tools": "tools", # Other tools → run directly
"summarize_node": "summarize_node", # Long conversation → summarise
"__end__": END, # Plain answer → done
}
)
# After review_refund: conditional - depends on human's decision
graph_builder.add_conditional_edges(
"review_refund",
route_after_review,
{
"tools": "tools", # Approved → execute the tool
"agent_node": "agent_node", # Rejected → back to agent to respond
}
)
# After tools run: always go back to agent_node
# (the ReAct loop - agent sees tool result, decides what to do next)
graph_builder.add_edge("tools", "agent_node")
# After summarization: conversation turn is done
graph_builder.add_edge("summarize_node", END)
# ── Step 5: Compile ─────────────────────────────────────────
# Using MemorySaver for development.
# For production, swap this one line to SqliteSaver or PostgresSaver.
memory = MemorySaver()
shopbot = graph_builder.compile(checkpointer=memory)
У Colab або Jupyter ви можете відобразити графік у вигляді діаграми:
from IPython.display import display, Image
from langchain_core.runnables.graph import MermaidDrawMethod
display(Image(
shopbot.get_graph().draw_mermaid_png(
draw_method=MermaidDrawMethod.API
)
))
Можливість побачити справжню діаграму потоків того, що ви створили, — це одна з найкращих функцій LangGraph для учнів. Якщо діаграма виглядає неправильно, то й ребра є неправильними.
Модуль 7: entrypoint
Саме тут фактично виконується агент. У скрипті це блок if __name__ == „__main__“, а у сервері API — обробник маршруту, хоча схема залишається однаковою у будь-якому випадку.
# ============================================================
# MODULE 7: ENTRYPOINT
# ============================================================
def run_shopbot():
"""
Interactive command-line session with ShopBot.
Demonstrates: multi-turn conversation, tool use, and human-in-the-loop.
"""
print("=" * 55)
print(" ShopBot - Customer Support Agent")
print(" Powered by LangGraph")
print("=" * 55)
print("Type your message below. Type 'exit' to quit.")
print("Type 'state' to inspect what ShopBot currently remembers.\n")
# One config per session.
# thread_id is the session key - same ID = same memory thread.
# Change the ID to start a completely fresh conversation.
config = {"configurable": {"thread_id": "customer-session-001"}}
while True:
user_input = input("You: ").strip()
if not user_input:
continue
if user_input.lower() == "exit":
print("ShopBot: Thank you for contacting support. Have a great day!")
break
# ── Debug: inspect current state ────────────────────
if user_input.lower() == "state":
snapshot = shopbot.get_state(config)
print("\n[DEBUG] Current State:")
print(f" Messages in state : {len(snapshot.values.get('messages', []))}")
print(f" Customer name : {snapshot.values.get('customer_name', '(not set)')}")
print(f" Ticket category : {snapshot.values.get('ticket_category', '(not set)')}")
print(f" Summary : {snapshot.values.get('summary', '(none yet)')}")
print(f" Next node(s) : {snapshot.next}\n")
continue
# ── Normal message: invoke the graph ─────────────────
result = shopbot.invoke(
{"messages": [HumanMessage(content=user_input)]},
config=config,
)
# ── Check if graph paused for human approval ─────────
# This is how you detect that interrupt() was called inside review_refund.
while "__interrupt__" in result:
interrupt_data = result["__interrupt__"][0].value
print("\n" + "=" * 55)
print(" HUMAN APPROVAL REQUIRED")
print("=" * 55)
print(f" Customer : {interrupt_data.get('customer_name', 'Unknown')}")
print(f" Action : {interrupt_data.get('tool_being_called', 'refund')}")
print(f" Arguments : {interrupt_data.get('arguments', {})}")
print(f" Context : {interrupt_data.get('conversation_summary', 'N/A')}")
print("=" * 55)
print("Options: [a] Approve [r] Reject [e] Escalate")
human_choice = input("Your decision: ").strip().lower()
if human_choice == "a":
resume_value = "approve"
elif human_choice == "r":
resume_value = "reject"
elif human_choice == "e":
resume_value = "escalate"
else:
print("Invalid choice. Defaulting to reject.")
resume_value = "reject"
# Resume the graph with the human's decision.
# Command(resume=...) answers the pending interrupt() call.
result = shopbot.invoke(
Command(resume=resume_value),
config=config,
)
# ── Print the agent's final response ─────────────────
last_message = result["messages"][-1]
print(f"\nShopBot: {last_message.content}\n")
if __name__ == "__main__":
run_shopbot()
Справжня сесія
Приклад розмови показує, чого можна очікувати під час її виконання:
=======================================================
ShopBot — Customer Support Agent
Powered by LangGraph
=======================================================
Type your message below. Type 'exit' to quit.
Type 'state' to inspect what ShopBot currently remembers.
You: Hi, my name is Alex and I need help with order ORD-001
ShopBot: Hi Alex! I'd be happy to help you with order ORD-001.
I can see your order:
- Product: Wireless Headphones
- Status: Delivered on 2025-06-10
- Amount: $89.99
What can I help you with regarding this order?
You: I want to return it and get a refund
ShopBot: I've checked your order ORD-001 and it's eligible for a refund
since it's been delivered. Let me process that for you right away.
=======================================================
HUMAN APPROVAL REQUIRED
=======================================================
Customer : Alex
Action : process_refund
Arguments : {'order_id': 'ORD-001', 'reason': 'Customer requested return'}
Context : No summary yet
=======================================================
Options: [a] Approve [r] Reject [e] Escalate
Your decision: a
ShopBot: Great news, Alex! Your refund has been successfully processed.
Refund Reference: REF-ORD-001-143022
Amount: $89.99 will be returned to your original payment method within
3–5 business days.
Is there anything else I can help you with?
You: state
[DEBUG] Current State:
Messages in state : 6
Customer name : (not set)
Ticket category : refund_request
Summary : (none yet)
Next node(s) : ()
You: exit
ShopBot: Thank you for contacting support. Have a great day!
Що демонструє проєкт
Схема з сімома модулями показує архітектуру від початку до кінця: StateGraph, add_node, add_conditional_edges та compile — усе у правильному порядку. Щодо пам’яті, існує поле summary, функція summarize_node та механізм постійного узагальнення, при якому нові повідомлення стискаються, а старі видаляються, а також контрольний показник MemorySaver, який зберігає історію між ходами. Для участі людини в процесі вузол review_refund зупиняється за допомогою interrupt(), точка входу продовжує роботу за допомогою Command(resume=...), а цикл while "__interrupt__" in result дозволяє обробити кілька схвалень у одному ході, пропонуючи варіанти схвалення, відхилення чи передачі на вищий рівень.
Кілька елементів походять від інструментів. Справжні інструменти оголошуються за допомогою @tool, їх виконує заздалегідь створений ToolNode, а bind_tools приєднує їх до моделі. Цикл ReAct працює так: інструменти, вузол агента, знову інструменти тощо. Крім того, механізм маршрутизації ставиться до інструментів по-різному: безпечні інструменти потрапляють безпосередньо до tool_node, тоді як чутливі спочатку проходять через review_refund.
Як розвивати далі
Проєкт навмисно є завершеним, але мінімалістичним. Є три розширення, почнемо з найпростіших:
- Краще виявлення категорій. Наразі
ticket_categoryвизначається шляхом пошуку ключових слів уagent_node. Кращим рішенням буде попросити модель явно класифікувати заявку з використанням структурованого виводу, тому варто розглянути функціюwith_structured_output(). - Стабільне зберігання даних у SQLite. Замініть
MemorySaver()наSqliteSaver— це зміна, яка займає одну рядок у Розділі 6, — та додайте запит під час запуску про те, чи це та сама сесія чи нова. Таким чином розмови будуть зберігатися після перезапуску. - Механізм підвищення рівня обробки скарг. Додайте четвертий вузол
escalate_node, який активується, колиticket_category == „complaint“та емоційний стан клієнта дорівнює„FRUSTRATED“. Він викликаєinterrupt()для повідомлення людського агента та підключається доroute_after_agentяк нова гілка.
Швидкий посібник
У цьому проєкті з’явилося кілька нових шаблонів. ToolNode(tools) — це готовий вузол, який виконує виклики інструментів, що містяться у останньому повідомленні моделі. llm.bind_tools(tools) під’єднує список інструментів до моделі, після чого вона може звернутися до інструменту, повертаючи поле tool_calls замість звичайного тексту. @tool перетворює функцію Python на щось, що може викликати модель, причому документація слугує орієнтиром для визначення моменту її використання. Перевірка hasattr(message, "tool_calls") and message.tool_calls — це стандартний спосіб з’ясувати, чи містить останнє повідомлення виклик інструменту, причому hasattr має виконуватися спочатку, перш ніж звертатися до атрибута. Цикл while "__interrupt__" in result обробляє один або кілька незавершених переривань, адже кожен Command(resume=...) відповідає на одне з них та може спричинити наступне. Нарешті, shopbot.get_state(config) демонструє повний поточний стан у будь-який момент: .values повертає словник стану, а .next вказує, що буде виконано далі, що є надзвичайно корисним для відлову помилок.
Існує реальна прірва між розумінням концепції та написанням коду для неї, і саме невеликий проєкт, який поміщається у вашій уяві, але використовує всі наявні інструменти, допомагає її подолати. Тут у одному агенті поєднуються контрольний механізм, справжні інструменти, система схвалення та тригер для підсумовування. Створіть його, навмисно зламайте, виправте, а потім розширіть.
Пов’язана література
- Блоки валідації та мультиагентний маршрутизаційний механізм для бота підтримки LangGraph — Додайте до агента LangGraph для е-комерції детерміністичні блоки бізнес-логіки, самокоригуючий цикл валідації та систему керування з трьома спеціалізованими підграфами.
- Тріаж заявок на підтримку за допомогою мультиагентів та LangGraph — Створіть граф тріажу заявок із трьома агентами за допомогою LangGraph: класифікатор, оператор відповідей та людський контролер, які працюють на локальному Ollama або через API з однією зміненою рядком.