智能客服不是把模型接到聊天框里，而是把“识别、检索、工具、质检、转人工、留痕”串成一张可控的图。

前面我们已经讲了 LangGraph 的基础。现在进入实战：用 LangGraph 搭一个智能客服 Agent。

1. 智能客服不是聊天机器人

很多人做客服 Agent，一上来就写一个大 Prompt。结果 Demo 能跑，上线就崩。

原因很简单：客服不是单轮问答。客服是流程系统。

用户问密码重置，可以 FAQ 快速回答。

用户问订单物流，必须查业务系统。

用户投诉扣费，必须升级人工。

用户要求退款，必须走权限和审批。

这些事情不能全部交给模型自由发挥。它需要一张图。

普通聊天机器人和 LangGraph 客服 Agent 的区别

2. 为什么客服场景适合 LangGraph

客服系统最怕三件事：流程乱、状态丢、责任说不清。

LangGraph 正好解决这三件事。

流程乱：用 Node 和 Edge 把流程显式化。

状态丢：用 State 和 checkpointer 保存会话状态。

责任不清：每个节点输入输出清楚，出错容易定位。

官方文档也建议，构建 LangGraph Agent 时要先把流程拆成离散节点，再通过共享 State 和边连接起来；官方的 “Thinking in LangGraph” 就用客户支持邮件 Agent 作为示例，包含分类、检索文档、草拟回复、转人工等步骤。

企业级智能客服 Agent 总体架构

3. 先设计 State：客服流程的工作台

State 是整张图的共享状态。

它不是数据库。也不是聊天记录垃圾桶。

它只放流程需要判断、恢复、追踪的数据。

一个比较合理的客服 State，可以分成四类。

会话上下文：messages、user_id、thread_id、trace_id。

业务识别：intent、urgency、topic、order_id、need_human。

知识与工具：query_rewrite、retrieved_docs、tool_results、ticket_id。

生成与质检：draft_answer、quality_score、risk_flags、final_answer。

设计原则：State 要能支撑恢复、审计、路由。不要把所有中间废话都塞进去。

4. 再设计 Node：一个节点只做一件事

Node 是执行单元。

在客服 Agent 里，不要写一个万能 node。

万能节点最难调试，也最容易失控。

拆成节点后，每一步都能单独观察。

分类错了，看 classify。

检索错了，看 rag_search。

工具错了，看 tool_action。

回答不稳，看 draft_reply 和 quality_check。

5. 再设计 Edge：流程的方向盘

Node 做事。Edge 决定下一步去哪。

客服 Agent 的关键不在“能不能回答”，而在“该走哪条路”。

常见路由规则非常直接。

核心原则：业务规则要写进边。模型可以参与判断，但不能独占判断。

6. 接入 FAQ、RAG 和业务工具

客服 Agent 通常不是只靠 RAG。

更合理的顺序是：FAQ 优先，RAG 补充，工具查事实，人工兜底。

FAQ：高频问题，命中就直接答。速度快，成本低。

RAG：制度、产品文档、操作手册。答案要带来源。

业务工具：订单、账单、物流、工单、CRM。必须走权限。

人工：低置信度、高风险、投诉、退款、隐私修改。

这里最重要的是：模型不能猜业务数据。订单状态、支付结果、物流信息必须由工具返回。

7. 质检节点：防止错误答案直接出门

客服回答必须先过质检。

质检不是装饰。它是最后一道闸门。

事实检查：回答是否基于文档和工具结果。

风险检查：是否承诺赔付、退款、法律责任。

敏感检查：是否泄露隐私、账号、手机号。

格式检查：是否有步骤、是否有引用、是否可执行。

质检通过，进入 send_reply。

质检失败，回到 draft_reply 或进入 human_review。

8. 源码级拆解：StateGraph 到底怎么跑起来

现在把源码链路压缩成一条线。

8.1 StateGraph 只是 Builder

源码里，StateGraph 是图构建器。它负责收集节点、边、条件分支和状态 schema。

nodes：保存每个节点。

edges：保存固定边。

branches：保存条件边。

schemas / channels：保存状态字段和 reducer。

它不能直接运行。必须 compile。

StateGraph(State) -> add_node / add_edge -> compile() -> CompiledStateGraph

8.2 add_node 做了什么

add_node 的核心不是“放一个函数进去”。

它会把你的函数包装成 Runnable，推断输入 schema，注册节点名，保存 retry、cache、timeout、error_handler 等配置。

这就是为什么一个普通 Python 函数，进了 LangGraph 之后，就能被图运行时统一调度。

8.3 add_edge 和 add_conditional_edges 做了什么

add_edge 存固定路线。

add_conditional_edges 存条件路线。

客服场景里，classify 后到底走 FAQ、RAG、Tool 还是 Human，就是条件边决定的。

classify -> route_by_intent -> faq_search / rag_search / tool_action / human_review

8.4 compile 做了什么

compile 是上线前的装配动作。

检查图结构：有没有孤立节点，有没有非法边。

装配 checkpointer、store、interrupt 配置。

把 Builder 变成真正可执行的 CompiledStateGraph。

compile 后才能 invoke 或 stream。

8.5 运行时怎么流转

运行时不是简单 for 循环。

Graph API 文档说明，LangGraph 用消息传递和 super-step 执行图：节点收到状态后激活，运行完成后写回状态，再触发下一批节点。

你可以把它理解成：

加载 state -> 激活节点 -> 执行节点 -> 返回 partial state -> reducer 合并 -> 进入下一条边

所以客服 Agent 每走一步，State 都会更新。配合 checkpointer，流程可以恢复。

9. ToolNode：把模型的工具调用变成真实业务动作

模型不会真的查订单。

模型只会生成 tool_call。

真正执行工具的是 ToolNode。

ToolNode 的源码职责很清楚。

读取最后一条 AIMessage 里的 tool_calls。

根据 name 找到对应 BaseTool。

注入 state、store、runtime 等上下文。

执行工具，支持并行、错误处理和状态更新。

把结果包装成 ToolMessage，写回 messages。

客服系统里，ToolNode 是模型和业务系统之间的隔离层。权限、审计、错误兜底都要卡在这里。

10. Human Review：人工介入不是兜底，是安全机制

不是所有问题都能自动回答。

特别是客服场景：钱、隐私、投诉、法务，都不能让模型直接决定。

图 9：interrupt + checkpointer 的人工介入流程

interrupt 的价值是：暂停而不是失败。

节点内调用 interrupt。

运行时暂停图执行。

checkpointer 保存当前状态。

人工审批后，用同一个 thread_id 恢复。

Command(resume=...) 把人工结果传回节点。

这就是客服 Agent 能上线的关键。复杂问题不硬答，高风险操作不自动做。

11. 持久化：让客服对话能恢复

客服系统一定会有多轮。

用户今天没说完，明天继续问。

人工审批暂停后，也要能恢复。

LangGraph 的 persistence 分两类。

checkpointer：保存单个 thread 的图状态。适合短期记忆、对话连续、人工介入、故障恢复。

store：保存跨 thread 的长期信息。适合用户偏好、事实、共享知识。

客服系统至少要有 thread_id。它是恢复会话的游标。

thread_id = user_id + channel + session_id

没有 thread_id，就没有真正的多轮客服。

12. 企业级部署：不要让 LangGraph 直接碰核心业务

推荐架构很简单。

Java 主服务管业务。Python AI 服务管 LangGraph。

模型负责推理，不负责权限。

落地时，核心动作一定要回到业务系统。

查询订单：工具可以查，但要带用户身份和权限。

创建工单：可以自动创建，但要记录原因和上下文。

退款赔付：不能自动执行，必须审批。

修改隐私信息：必须二次验证。

敏感回复：必须经过质检或人工。

13. 上线前检查清单

客服 Agent 上线前，先过这张表。

14. 总结

这一章讲的是怎么用 LangGraph 搭智能客服 Agent。

核心不是代码。核心是拆流程。

State：保存流程快照。

Node：一个节点只做一件事。

Edge：把业务规则变成路线。

RAG：回答产品和制度问题。

ToolNode：查真实业务系统。

Quality Check：挡住错误答案。

Interrupt：高风险场景暂停等人工。

Checkpointer：让流程可恢复。

最后记住一句话：客服 Agent 的价值，不是会说话，而是能按业务流程可靠地把问题处理完。