LangGraph 主流程解析：分类路由与确认闸门

在带宽销售客服中，真正危险的往往不是回答不够流畅，而是流程在信息不足或用户尚未确认时提前进入推荐。要稳定控制这类多轮对话，不能只依赖提示词判断，还需要把业务约束写进状态和路由。下面从 LangGraph 主图出发，拆解分类分流、条件边与确认闸门的具体配合方式。

LangGraph 主图：分类分流与确认闸门

做带宽销售客服最容易翻车的，不是模型不会说话，而是意图混在一起还急着推产品：用户刚问，系统已经甩一堆卡片；金额期限用途还没齐，推荐理由却写得像成交了。缺字段就推、未确认就推，信任会先垮掉。

公开仓库 langgraph_fly_base 的解法不是「再写一个更大的 Prompt」，而是把主链路收成一张 LangGraph 主图：FlowState 显式记账，分类分流后用条件边把闸门卡住——信息未齐、未确认时，路由强制停在收集与确认，进不了推荐。

本文只讲主图编排：问题分类、条件边、确认闸门。双库 TopN 推荐细节留给后续文章，这里只点到「确认通过后进推荐子图」。

依据仅限公开仓库 README 与源码；下文会把「已实现 / 半成品 / 未来」分开写，并给出文件证据。

---

一、主图全景：入口固定，分流靠条件边

入口不是分类，而是 问题修复 → 问题分类。build_flow_graph 里 set_entry_point(FIX)，再 add_edge(FIX, CLASSIFY)，保证每轮先过修复节点，再进分类总闸。

对应节点（sale_app/core/mutil/node_names.py）：

常量	中文节点名	角色
FIX	问题修复	改写 / 规范用户问题
CLASSIFY	问题分类	五类分流总闸
CHAT	闲聊经理	非业务闲聊
INTENT	意图确认	是否有带宽意向
GATHER	信息收集	四项信息多轮补齐
CONFIRM	信息确认	摘要 + 确认闸门
RECOMMEND	产品推荐	推荐子图挂载点
QA	产品解答专家	知识库 RAG
CONVERSION	客户转化	推荐后留资 / 预约

中文标签流程图如下（与 flow_graph.py 边一致）：

flowchart TD
  START([用户提问]) --> FIX[问题修复]
  FIX --> CLASSIFY[问题分类]

  CLASSIFY -->|decide_router| CHAT[闲聊经理]
  CLASSIFY -->|decide_router| QA[产品解答专家]
  CLASSIFY -->|decide_router| INTENT[意图确认]
  CLASSIFY -->|decide_router| GATHER[信息收集]
  CLASSIFY -->|decide_router| CONFIRM[信息确认]
  CLASSIFY -->|decide_router| RECOMMEND[产品推荐]
  CLASSIFY -->|decide_router| CONVERSION[客户转化]

  INTENT -->|有意向| GATHER
  INTENT -->|无意向| CHAT

  GATHER -->|information_router 未齐或本轮结束| END1([本轮结束])
  GATHER -->|四项齐且需推荐| CONFIRM

  CONFIRM -->|confirm_router 未确认| END2([本轮结束等确认])
  CONFIRM -->|已确认 isInfoConfirmed| RECOMMEND

  CHAT --> END3([结束])
  QA --> END4([结束])
  RECOMMEND --> END5([结束])
  CONVERSION --> END6([结束])

要点有三：

1. 分类后不是直接信 LLM 的 next，而是过 decide_router 再改写目标节点。
2. 收集齐了也不直接推荐，information_router 先送进确认。
3. confirm_router 只有 isInfoConfirmed 为真才进推荐，否则本轮 END，等用户下一句。

---

二、FlowState：闸门靠状态字段，不靠 Prompt 自觉

主图状态在 sale_app/core/mutil/flow_graph.py 的 FlowState：

class FlowState(TypedDict):
    messages: Annotated[List[BaseMessage], operator.add]
    next: str
    pre_node: str
    question: str
    fixed_question: str
    history: list
    information_sequences: Annotated[list, operator.add]
    product_list: list
    isRecommend: bool
    isInfoConfirmed: bool
    awaiting_info_confirm: bool
    info_summary: str
    awaiting_conversion: bool
    conversion_completed: bool

和「闸门」直接相关的字段：

字段	作用
information_sequences	已收集序号；满 4 项才算齐（collection_utils.is_collection_complete）
awaiting_info_confirm	已出摘要，正在等用户确认或修改
isInfoConfirmed	确认通过；confirm_router 看它放行推荐
info_summary	给用户看的摘要文本
product_list / isRecommend	推荐结果与推荐意图标记
awaiting_conversion / conversion_completed	推荐后转化阶段

多轮续跑靠 SQLite Checkpoint：startup_chain 用 AsyncSqliteSaver.from_conn_string(...)，路径落在 storage/memory_file/ch@t_history.db，图 compile(checkpointer=_checkpointer)。同一 session_id 进来时，闸门位不会丢——这是条件边能「卡住」的前提。

---

三、问题分类：五类 + 规则快路径 + JSON 兜底

分类成员在构图时写死（flow_graph.py）：

信息收集 / 闲聊经理 / 意图确认 / 产品推荐 / 产品解答专家

链路是：

1. suggest_category_from_state（classify_utils.py）：能规则定就直接返回，跳过分类 LLM。例如已推过产品且像转化 → 客户转化；正在等确认 → 信息确认；等转化未完成 → 客户转化。
2. 否则走 question_class_func（question_class_node.py）：拼历史（QUESTION_CLASS_HISTORY_TURNS）+ 当前问题 + 类别列表，调 LLM。
3. parse_category_name：先剥 markdown 代码块，再 json.loads 取 category_name；解析失败则在原文里扫合法类名；再不行用 fallback_category。

fallback_category 同样看闸门：等确认、收集未齐、推荐后转化 / QA，避免分类抽风把流程打乱。README 里也提示可用 QUESTION_CLASS_FEW_SHOT、LLM_ENABLE_REASONING=false 给分类提速——分类是简单结构化输出，没必要开长思考。

---

四、条件边三件套：decide / information / confirm

三个 router 都在 sale_app/core/mutil/flow_routers.py。这是主图的「硬逻辑」，比 Prompt 自觉可靠。

1. decide_router：分类后总闸

分类节点只写出 state["next"]，真正去哪由 decide_router 决定。典型规则：

• 已经推荐过（has_recommended）：转化意图 → 客户转化；产品问答关键词 → 产品解答专家；若分类仍想回收集 / 确认 / 推荐 → 也倾向转化，避免推完又绕回推销。
• 未确认信息：awaiting_info_confirm 或上一节点是确认 → 强制回 信息确认。
• 分类想去推荐但未确认：收集已齐 → 改送 信息确认；上一节点还在收集 → 继续 信息收集；否则才允许 产品推荐。
• 分类想去收集：若已推过 → 转转化；否则进收集。

一句话：LLM 可以猜错下一跳，router 会把人拦回正确阶段。

2. information_router：收集齐了先确认，否则本轮结束

已确认或已推荐 → FINISH（END）
isRecommend 且四项齐 → 信息确认
否则 → FINISH（等用户下一轮继续填）

收集节点可以多轮说话，但齐了也不直连推荐，必须过确认门。

3. confirm_router：确认位为真才进推荐

isInfoConfirmed → 产品推荐
否则 → FINISH

这就是「确认闸门」的最后一扇门：摘要发出去、用户还没说确认时，图直接结束本轮；下一轮分类 / decide 会因 awaiting_info_confirm 再次落到确认节点。

推荐发生在确认之后——双库并行、TopN 合并去重是推荐子图的事，本文不展开，排期另文。

---

五、信息确认节点：关键词「确认」vs 修改（诚实权衡）

实现见 sale_app/core/agent/information_confirm.py。

从收集刚进入（pre_node == 信息收集 且尚未 awaiting）：调摘要链，写出汇总，并设：

• awaiting_info_confirm=True
• isInfoConfirmed=False
• info_summary=...（末尾提示回复「确认」或说明修改）

用户回复阶段：

判定	关键词示例	状态回写
确认	确认、没问题、正确、对的、可以、是的、好的、ok、yes	isInfoConfirmed=True，awaiting_info_confirm=False
修改	改、修改、不对、错了、更正、补充、换成、应该是	重生成摘要，继续 awaiting
其它	—	提示再确认，闸门仍关

这里要说清楚权衡：确认是半规则关键词，不是完整 NLU。优点是稳、快、可测；缺点是「嗯可以吧再看看」这类软同意可能判不准，复杂纠错也依赖摘要 LLM。对带宽场景，「明确确认才推」比「模型觉得可以就推」更安全，所以仓库选择了关键词闸门。

确认通过后，confirm_router 放行到 产品推荐 节点；该节点挂的是 build_recommend_graph(llm).compile() 子图——主图只负责「何时能进」，子图负责「怎么推」。

---

六、SSE：哪些节点吐 token，哪些整段推

公开代码里流式能力是齐的：

• HTTP：POST /api/ch@t/stream（app/routers/[email protected]）→ StreamingResponse，事件 meta / 业务 item / done / error。
• 图侧：astream_flow（flow_graph.py）基于 chain.astream_events(..., version="v2")。

可见性策略：

集合	节点	行为
STREAM_TOKEN_NODES	闲聊经理、产品解答专家、产品推荐	on_ch@t_model_stream 逐 token
STRUCTURED_REPLY_NODES	信息收集、信息确认、客户转化	节点结束时整段推 token
TRACKED_WORKFLOW_NODES	含修复、分类及业务节点	step_start / step_end / progress

_is_graph_node_chain_event 还会过滤：事件名必须等于 langgraph_node、非 hidden、非子图内部任务——聊天页「执行过程面板」才不会被内部 Runnable 刷屏。

---

七、状态表：已实现 / 半成品 / 未来

状态	内容	公开证据
已实现	主图节点与边；FIX→CLASSIFY；五类分类；三 router；确认闸门；意图→收集；SQLite Checkpoint；SSE step / token	flow_graph.py、flow_routers.py、information_confirm.py、app/routers/[email protected]；README 更新日志 2026-09-04
半成品 / 权衡	确认靠关键词非 NLU；分类依赖 LLM JSON + 启发式兜底；推荐后路由大量短语规则（转化 / QA）	information_confirm.py 关键词表；classify_utils.py 的 PRODUCT_QA_KEYWORDS / CONVERSION_PHRASES
未来 / 另文	双库 TopN 并行检索、合并去重深挖（排期约 9/26）；Milvus 稠密 + SPLADE 混合检索细节	README「推荐系统」节；本文只点到确认后进推荐子图

不要把「仓库里已有推荐子图」理解成「本文已经讲透双库」——主图闸门和推荐检索是两层问题。

---

八、本地短复现

环境变量至少配好 LLM_API_KEY（或 ZHIPU_API_KEY），可参考 README。

Docker（推荐）：

cp .env.example .env
docker compose up -d --build
# 聊天：http://127.0.0.1:8182/api/ch@t
# 健康：http://127.0.0.1:8182/health

本地 uvicorn：

pip install -r requirements.txt
uvicorn app.main:app --reload --host 127.0.0.1 --port 8000

建议在聊天页走通一条闭环（不必盯双库细节）：

1. 表达带宽意向 → 进入意图 / 收集
2. 补齐金额、期限、用途、资质等四项
3. 看摘要，回复「确认」
4. 观察执行过程面板出现 信息确认 → 产品推荐（闸门打开）

若升级 LangGraph 1.x 后状态怪异，README 建议清理旧 checkpoint：storage/memory_file/ch@t_history.db。

---

九、小结

销售客服主图的核心不是「分类模型有多聪明」，而是：

1. FlowState 把闸门做成布尔位与摘要，多轮靠 SQLite Checkpoint 续上。
2. 分类可以猜，决定权在 decide_router / information_router / confirm_router。
3. 确认节点用关键词半规则换稳定性；未确认则本轮 END，绝不偷渡推荐。

下一篇会专门拆 双库并行 TopN 推荐：recommend_product 与默认 KB 如何并行召回、合并去重——那是确认闸门打开之后的故事。

项目地址（欢迎 Star / Issue）：

github.com/liuyanqun08…

相关专栏：大模型学习记录