企业官网建设流程全解析

网站服务器续费,wordpress 主题 小说,外包网络安全管理制度,中关村在线模拟攒机本文详细介绍了使用LangGraph1.0构建自动邮件处理智能体的完整流程#xff0c;包括状态定义、节点设计和边连接。实现了邮件自动分类、智能处理、自动回复及人工审核等功能#xff0c;并通过测试验证了系统在紧急和常规邮件处理上的有效性。综合运用了条件边、记忆机制和人在…本文详细介绍了使用LangGraph1.0构建自动邮件处理智能体的完整流程包括状态定义、节点设计和边连接。实现了邮件自动分类、智能处理、自动回复及人工审核等功能并通过测试验证了系统在紧急和常规邮件处理上的有效性。综合运用了条件边、记忆机制和人在回路等LangGraph核心概念为开发者提供了实用的AI Agent开发实战案例。–一、电子邮件智能体场景分析1.1 需求分析作为一名开发者笔者每天都需要处理大量的工作邮件——包括问题咨询、Bug 报告、账单通知、功能请求等。邮件不仅类型多样紧急程度也各不相同手动分类、回复耗时耗力尤其在忙碌时更容易遗漏或延迟处理。为此笔者希望构建一个自动邮件处理智能体它能够自动分类识别邮件的类型如问题、Bug、账单、功能请求等与紧急程度。智能处理根据邮件类型执行相应操作如为 Bug 创建跟踪工单为其他问题搜索内部文档获取解答。自动生成回复基于分类与处理结果生成有针对性的回复内容。审核机制在必要时如涉及重要决策或复杂问题暂停流程引入人工审核确保回复准确性与安全性。该智能体将帮助笔者提升邮件处理效率同时通过“人在回路”保证对自动回复的可控制。1.2 根据需求分析设计图基于以上需求笔者设计的智能体将具备以下核心功能流程邮件提取与解析从收件箱获取原始邮件提取关键内容发件人、主题、正文等。自动分类与路由对邮件内容进行分类并依据类别决定后续处理路径。内容处理与生成若为Bug 报告在错误跟踪系统中说明已经收到并跟踪错误若为其他类别如问题咨询则在内部知识库中检索相关答案。回复生成与审核根据处理结果生成回复草稿依据邮件类别与紧急程度决定是否发送至人工审核节点审核通过后自动发送邮件或由人工修订后发出。整体流程可通过以下示意图概括二、项目代码编写2.1 定义智能体状态1. 环境配置与模型初始化首先配置项目环境并初始化大语言模型本次同样使用deepseek模型需要提前执行pip install langchain-deepseek安装相关的依赖包并在项目文件夹下新建.env文件将注册的DeepSeek API填入该文件中。import uuid import os from typing import Literal, TypedDict from dotenv import load_dotenv from langchain_deepseek import ChatDeepSeek from langgraph.types import Command, interrupt from langgraph.graph import END, START, StateGraph from langgraph.checkpoint.memory import InMemorySaver load_dotenv() llm ChatDeepSeek( modeldeepseek-chat, )2. 定义状态数据结构智能体的状态设计需要与工作流节点相匹配确保每个节点的输入输出都有明确的数据结构。EmailAgentState的设计从上到下分别是读取邮件节点、分类节点、bug追踪节点、文档查询节点、自动撰写节点的相关内容。但在需要处理连续对话或多轮交互的场景中reducer机制将是管理状态演进的关键工具。# 1. 定义图状态State class EmailClassification(TypedDict): # 分类包括问题、错误、账单、功能, 不属于这些功能就分类为复杂 intent: Literal[question, bug, billing, feature, complex] # 紧急程度 低、中、高、关键 urgency: Literal[low, medium, high, critical] # 邮件主题 topic: str # 邮件摘要 summary: str class EmailAgentState(TypedDict): # 储存读取邮件内容, 发件人邮件地址邮件ID email_content: str sender_email: str email_id: str # 分类意图节点的结果 classification: EmailClassification # Bug tracking 错误处理系统只需要查询一些API 这里就存储一个工单ID即可 ticket_id: str | None # 搜索文档结果 search_results: list[str] | None # 客户历史客户历史是一个字典键是客户的电子邮件值是与该客户相关的任何搜索结果 customer_history: dict | None # 生成内容: draft_response: str | None2.2 定义智能体节点**1. 邮件读取与分类节点首先明确读取节点与分类节点的功能。在实际生产环境下读取节点通常通过调用特定邮箱的 API 实现但为简化流程笔者在此略过该节点直接将邮件内容输入至后续分类节点。分类节点通过预设提示词调用 DeepSeek 大模型对邮件进行分类。LangChain1.0 支持便捷的大模型结构化输出def read_email(state: EmailAgentState) - EmailAgentState: 实际生产中这一步要从邮箱提供的api中提取电子邮件这里仅仅是演示 会将电子邮件直接传给分类节点该函数简写 pass def classify_intent(state: EmailAgentState) - EmailAgentState: 用大模型进行节点分类和紧急程度识别然后依据结果路由 structured_llm llm.with_structured_output(EmailClassification) classification_pormpt f 分析用户输入的邮件并进行分类 邮件: {state[email_content]} 来自: {state[sender_email]} 提供分类、紧急程度、主题和内容摘要 classication structured_llm.invoke(classification_pormpt) return { classification: classication }2. 知识库搜索节点目前搜索节点仅为功能模拟在实际部署时可替换为对接真实知识库的检索接口。该节点接收并依据上一节点即分类节点输出的状态信息从中提取邮件意图与主题进而模拟在内部知识库中执行检索的过程。def search_documentation(state: EmailAgentState) - EmailAgentState: 查询知识库节点这里模拟操作 classification state.get(classification, {}) query f{classification.get(intent, )} {classification.get(topic, )} try: # 模拟查询的逻辑 search_results [ search_result_1, search_result_2, search_result_3 ] except Exception as e: search_results [f搜索接口不可用] return {search_results: search_results}3. Bug跟踪节点模拟跟踪的内容创建跟踪工单def bug_tracking(state: EmailAgentState) - EmailAgentState: 模拟bug修复的相关内容 ticket_id fBug-{uuid.uuid4()} fixed return {ticket_id: ticket_id}4. 回复生成节点节点接收来自搜索节点的信息如原始检索结果、以换行符连接的客户历史记录等并将其作为上下文参考指导大模型的回复生成。大模型基于邮件分类、紧急程度及所附的参考信息生成拟回复的邮件内容。除了生成回复内容该节点还会输出一个****处理命令。该命令将根据邮件的类别与紧急程度自动判断下一步应执行的操作——例如“直接发送回复”或“转交人工审核”。def write_response(state: EmailAgentState) - Command[Literal[human_review, send_reply]]: 根据分类结果、搜索结果等中间结果生产报告 classification state.get(classification, {}) context_sections [] if state.get(search_results): formatted_docs \n.join([f- {doc} for doc in state[search_results]]) context_sections.append(f相关内容:\n{formatted_docs}) if state.get(customer_history): context_sections.append(fCustomer tier: {state[customer_history].get(tier, standard)}) # 构建提示词 draft_prompt f 撰写50字邮件回复: 邮件内容: {state.get(email_content)} 邮件分类: {classification.get(intent, unkown)} 紧急程度: {classification.get(urgency, medium)} {chr(10).join(context_sections)} response llm.invoke(draft_prompt) # 根据紧急程度决定是否需要人类审核 needs_review ( classification.get(urgency) in [high, critical] or classification.get(intent) complex ) if needs_review: goto human_review print(需要人工审核) else: goto send_reply return Command( update{draft_response: response.content}, gotogoto )5. 人工审核节点和回复节点流程执行至该节点时系统将自动暂停并等待人工输入。只有在邮件紧急程度为紧急或分类结果为复杂情况下才会进入工作节点来人工确认。该节点采用中断机制根据人工反馈的指令节点将返回相应的路由命令引导流程走向“结束”或“发送回复”分支。回复节点笔者这里只模拟自动发送邮件。def human_review(state: EmailAgentState) - Command[Literal[send_reply, END]]: 人类审查节点审查结束后决定是否要回复该邮件 classification state.get(classification, {}) human_decision interrupt({ 邮件ID: state[email_id], 原始邮件内容: state[email_content], 自动回复内容: state[draft_response], 紧急程度: classification[urgency], 分类: classification[intent], 下一步: 请审核是否同意发送该邮件 }) if human_decisionapproved: return Command( update{}, gotosend_reply ) else: return Command( update{}, gotoEND ) def send_reply(state: EmailAgentState): print(---成功发送---)2.3 构建智能体图具备以上节点函数后通过边将节点函数相连接构造智能体。智能体定义遵循三步骤定义状态、添加节点、添加边。同时由于需要使用中断机制还需要添加内存检查点。builder StateGraph(EmailAgentState) builder.add_node(read_email, read_email) builder.add_node(classify_intent, classify_intent) builder.add_node(search_documentation,search_documentation) builder.add_node(bug_tracking, bug_tracking) builder.add_node(write_response, write_response) builder.add_node(human_review,human_review) builder.add_node(send_reply, send_reply) builder.add_edge(START, read_email) builder.add_edge(read_email,classify_intent) builder.add_edge(classify_intent,search_documentation) builder.add_edge(classify_intent,bug_tracking) builder.add_edge(search_documentation,write_response) builder.add_edge(bug_tracking,write_response) builder.add_edge(send_reply,END) memoryInMemorySaver() app builder.compile(checkpointermemory)三、 智能体测试与验证为了验证笔者构建的邮件处理智能体是否按预期工作下面通过两个典型场景进行测试高紧急度Bug报告和常规问候邮件。3.1 Bug报告处理测试测试一个需要人工审核的高优先级Bug报告预期的处理流程如下由于邮件内容包含紧急Bug分类节点会将其识别为intent: bug且urgency: critical工作流会创建Bug工单然后进入human_review节点等待审核系统会打印中断信息并等待人工输入根据人工决策邮件将被发送或终止initial_state { email_content: 我遇到了一个紧急bug, 有客户重复订阅了一个产品, sender_email: test163.com, email_id: email_123 } config {configurable: {thread_id: customer_123}} result app.invoke(initial_state, configconfig) print(f准备审核的回复内容:{result[draft_response]}...\n) if __interrupt__ in result: print(fInterrupt:{result}) msg result[__interrupt__][-1].value print(msg) human input(f请输入: ) human_response Command( resumehuman ) final_result app.invoke(human_response, config)从运行结果来看工作流成功识别出紧急Bug创建了工单并生成了回复草稿。由于紧急程度为critical系统正确触发了人工审核中断3.2常规问候处理流程测试一个无需审核的普通问候邮件预期结果如下:问候邮件会被分类为intent: question且urgency: low工作流将跳过人工审核节点直接生成并发送回复整个过程完全自动化无需人工干预initial_state { email_content: 你好呀我是新同事苍井空, sender_email: test163.com, email_id: email_123 } config {configurable: {thread_id: customer_123}} result app.invoke(initial_state, configconfig) print(f准备审核的回复内容:{result[draft_response]}...\n) if __interrupt__ in result: print(fInterrupt:{result}) msg result[__interrupt__][-1].value print(msg) human input(f请输入: ) human_response Command( resumehuman ) final_result app.invoke(human_response, config)从运行结果可以看出系统正确识别出低优先级问候邮件自动生成友好回复并直接发送无需人工介入完整代码大家可以关注笔者的微信公众号大模型真好玩并私信:LangChain智能体开发免费获取。四、总结本文通过构建自动邮件处理智能体系统演示了LangGraph1.0的状态管理、条件路由、人在回路等核心机制在实战中的应用。相信大家经过实战能更加掌握LangGraph1.0编写智能体的核心技巧。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2026最新大模型全套学习资源》包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】