AI导哈

客户支持代理实现

Langie是一个基于LangGraph的客户支持代理实现，通过11个阶段的工作流程处理客户请求，具备状态持久化和MCP客户端集成功能。

  • by iamvrajpatel
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 iamvrajpatel/langgraph-agent-customer-support

使用说明

Langie-LangGraph客户支持代理实现

架构概述

客户支持代理流程

图形结构

项目概述

成功实现了一个结构化的LangGraph Agent，该Agent将客户支持工作流建模为基于图的阶段，具有完整的状态持久性和MCP客户端集成。

关键交付成果已完成✅

1.代理配置（config.yaml）

  • 输入架构：customer_name、电子邮件、查询、优先级、ticket_id
  • 定义的11个阶段：每个都有执行模式（确定性/非确定性）
  • MCP服务器映射：ATLAS（外部）vs COMMON（内部）能力
  • 完整的能力映射：所有25种以上的能力都映射到相应的服务器上

2.工作代理实现

  • LangGraph集成：基于图形的完整工作流（langgraph_agent.py）
  • 简化版本：兼容的实现（simple_agent.py）
  • 状态管理：所有阶段的全面状态持久性
  • MCP客户端集成：ATLAS/COMMON服务器的模拟客户端

3.演示执行结果

Input: {
  "customer_name": "John Smith",
  "email": "john.smith@email.com", 
  "query": "I have a billing issue with my premium account...",
  "priority": "high",
  "ticket_id": "12345"
}

Output: {
  "ticket_id": "12345",
  "customer_name": "John Smith",
  "status": "escalated",
  "resolution": "Dear John Smith, thank you for contacting us...",
  "escalated": true,
  "solution_score": 85,
  "completed_stages": [all 11 stages]
}

建筑亮点

11阶段工作流实施

  1. 摄入 -有效载荷验收
  2. 理解 -请求解析+实体提取（DETERMINISTIC）
  3. 准备 -数据归一化+富集（确定性）
  4. 问 -澄清问题（人类）
  5. 等待 -答案提取（确定性）
  6. 检索 -知识库搜索（确定性）
  7. 决定 -解决方案评估（非决定性）⭐
  8. 更新 -票务管理（确定性）
  9. 创建 -响应生成（确定性）
  10. 做 -API调用+通知（确定）
  11. 完成 -最终有效载荷输出

非确定性决策

  • 决策阶段：基于解决方案得分的动态路由
  • 阈值逻辑：如果分数<90，则升级（已证明：85→ 升级）
  • 运行时编排：根据上下文选择能力

MCP客户端编排

  • 服务器：内部能力（解析、评分、规范化）
  • ATLAS服务器：外部集成（实体、KB搜索、通知）
  • 无缝路由：根据能力自动选择服务器

状态持久性

  • 完成状态跟踪：所有变量在各个阶段都保持不变
  • 执行日志记录：调试/监控的详细日志
  • 阶段完成：跟踪所有11个阶段的进展情况

技术实现

文件结构

agentic_ai\
├── config.yaml              # Agent configuration
├── state_models.py          # State management models
├── mcp_client.py            # MCP client implementation
├── langgraph_agent.py       # Full LangGraph implementation
├── simple_agent.py          # Simplified working version
├── main.py           # Demo script
├── requirements.txt         # Dependencies
└── README.md                # Documentation

演示的主要功能

  • ✅ 图形编排：顺序+非确定性执行
  • ✅ 状态管理：所有阶段的持久变量
  • ✅ MCP集成：ATLAS/COMMON服务器路由
  • ✅ 决策逻辑：基于分数的升级（85<90→升级）
  • ✅ 综合录井：完整执行跟踪
  • ✅ 端到端流程：完整的客户支持工作流程

演示结果摘要

  • 已完成的阶段: 11/11 ✅
  • MCP呼叫：15+能力执行
  • 作出的决定：升级（分数85<阈值90）
  • 国家保护：跨阶段维护的所有数据
  • 最终状态：已生成响应的工单已升级

Langie探员个性表现

  • 结构化思维：明确分阶段执行
  • 国家意识：结转所有变量
  • 智能路由：知道何时使用ATLAS与COMMON
  • 决策：非确定性DECIDE阶段逻辑
  • 综合录井：每个决定都有明确的记录

该实现成功演示了一个生产就绪的LangGraph Agent，能够通过适当的状态管理、MCP集成和智能决策来处理复杂的客户支持工作流。

相关 MCP