文章介绍了Dify与LangGraph技术融合构建多智能体系统的方案。LangGraph提供灵活的状态管理和复杂工作流编排，Dify提供可视化低代码开发界面，二者结合实现"编排代码化，实现可视化"的开发模式。通过对话分析系统案例展示了如何构建具备实时分类、情感分析、信息提取等功能的智能体系统，提高开发效率和系统可靠性。
摘要：上一篇文章我们介绍了AI agent技术架构，里面有很多个智能体，需要多智能体协同实现一个完整的功能，目前一个明显的趋势正在形成：低代码平台与专业编排框架的深度融合。Dify作为领先的AI应用开发平台，以其直观的可视化界面降低了智能体构建门槛；而LangGraph作为LangChain推出的专业编排框架，则提供了复杂工作流所需的强大控制能力。这两者的结合，正在为企业构建多智能体系统开辟一条全新的路径。
01-LangGraph核心概念与特性
LangGraph是LangChain开发的一个低层级的编排框架和运行时，专门用于构建、管理和部署长时运行的、有状态的智能体。它具有以下核心特性：
| 特性 | 描述 |
| 持久化执行 | 构建能够从故障中恢复并长时间运行的智能体，可以从中断处继续执行 |
| 人机交互 | 允许在任何节点检查或修改智能体的状态，融入人工监督 |
| 完整的内存系统 | 为智能体提供短期工作内存（用于当前推理）和跨 |
| Langsmith调试 | 提供可视化工具追踪执行路径、捕获状态转换、获取详细运行时指标 |
| 生产就绪部署 | 为有状态、长时运行的工作流提供可扩展的基础设施 |
LangGraph的官方文档如下：
https://docs.langchain.com/oss/python/langgraph/quickstart
而基础构建方法
从文档中的“Hello World”示例可以看出，构建LangGraph智能体的基本流程是：
1、定义状态类型：使用StateGraph(MessagesState)创建状态图
2、添加节点：通过graph.add_node()添加处理函数
3、设置边连接：使用graph.add_edge()定义节点间的流转关系
4、编译图：调用graph.compile()生成可执行图
5、调用执行：通过graph.invoke()传入初始状态执行图
02—dify和LangGraph技术融合：架构互补性解析****
1.1 技术定位与优势互补
| 技术组件 | 核心优势 | 在多智能体系统中的角色 |
| LangGraph | 灵活的状态管理、复杂的图编排、持久化执行、人机交互 | 智能体协作的大脑与神经系统，负责整体流程控制和状态管理 |
| dify | 可视化构建、低代码开发、内置模版、易于部署 | 智能体构建的工厂、快速创建专业化的智能体、提供友好交互界面 |
1.2 集成的想法：代码与低代码的协同
这种结合的核心思想是**“编排代码化，实现可视化”**：
- LangGraph负责：定义智能体间的交互逻辑、状态流转规则、异常处理机制
- Dify负责：实现单个智能体的专业能力、提供用户界面、管理知识库集成
1.3 实战案例：对话分析多智能体系统
假设我们需要构建一个对话分析系统，具备以下功能：
1、实时对话分类：识别对话意图和主题
2、情感分析：分析用户情绪变化
3、关键信息提取：提取重要实体和观点
4、自动摘要生成：生成对话摘要
5、异常检测：识别潜在问题或冲突
系统架构设计
LangGraph编排实现
# conversation_analysis_graph.py
from
typing
import
TypedDict
,
List
,
Dict
,
Any
,
Literal
from
langgraph
.
graph
import
StateGraph
,
END
# 定义状态结构
class
ConversationState
(
TypedDict
)
:
"""对话分析系统的状态定义"""
# 输入相关
conversation_id
:
str
user_input
:
str
c
onversation_history
:
List
[
Dict
[
str
,
Any
]
]
# 处理中间结果
intent
:
str
category
:
str
sentiment_scores
:
List
[
float
]
entities
:
List
[
Dict
[
str
,
Any
]
]
key_points
:
List
[
str
]
# 分析结果
sentiment_analysis
:
Dict
[
str
,
Any
]
entity_analysis
:
Dict
[
str
,
Any
]
summary
:
str
# 系统控制
current_step
:
Literal
[
"classification"
,
"analysis"
,
"reporting"
,
"complete"
]
requires_human_review
:
bool
human_feedback
:
str
# 初始化Dify-LangGraph桥接
bridge
=
DifyLangGraphBridge
(
dify_api_key
=
"your-dify-api-key"
,
dify_base_url
=
"https://api.dify.ai/v1"
)
# 创建Dify智能体对应的LangGraph节点
classification_node
=
bridge
.
create_langgraph_node
(
"conversation-classifier"
,
"classifier"
)
analysis_node
=
bridge
.
create_langgraph_node
(
"conversation-analyzer"
,
"analyzer"
)
reporting_node
=
bridge
.
create_langgraph_node
(
"report-generator"
,
"reporter"
)
# 构建状态图
workflow
=
StateGraph
(
ConversationState
)
# 添加节点
workflow
.
add_node
(
"classifier"
,
classification_node
[
1
]
)
workflow
.
add_node
(
"analyzer"
,
analysis_node
[
1
]
)
workflow
.
add_node
(
"reporter"
,
reporting_node
[
1
]
)
workflow
.
add_node
(
"human_review"
,
human_review_node
)
workflow
.
add_node
(
"quality_check"
,
quality_check_node
)
# 定义条件路由函数
def
route_by_conversation_state
(
state
:
ConversationState
)
-
>
str
:
"""根据对话状态决定下一步"""
if
state
[
"current_step"
]
==
"classification"
:
return
"classifier"
elif
state
[
"current_step"
]
==
"analysis"
:
# 检查是否需要人工审核
if
(
state
.
get
(
"sentiment_scores"
)
and
min
(
state
[
"sentiment_scores"
]
)
<
-
0.7
)
:
state
[
"requires_human_review"
]
=
True
return
"human_review"
return
"analyzer"
elif
state
[
"current_step"
]
==
"reporting"
:
# 质量检查
if
len
(
state
.
get
(
"key_points"
,
[
]
)
)
<
2
:
return
"quality_check"
return
"reporter"
elif
state
[
"current_step"
]
==
"complete"
:
return
END
else
:
# 默认开始分类
state
[
"current_step"
]
=
"classification"
return
"classifier"
# 设置路由
Workflow
.
add_conditional_edges
(
"classifier"
,
route_by_conversation_state
,
{
"analyzer"
:
"analyzer"
,
"human_review"
:
"human_review"
,
END
:
END
}
workflow
.
add_conditional_edges
(
"analyzer"
,
route_by_conversation_state
,
{
"reporter"
:
"reporter"
,
"quality_check"
:
"quality_check"
,
"human_review"
:
"human_review"
}
)
workflow
.
add_edge
(
"reporter"
,
END
)
workflow
.
add_edge
(
"quality_check"
,
"analyzer"
)
# 重新分析
workflow
.
add_edge
(
"human_review"
,
"analyzer"
)
# 审核后继续分析
# 设置入口点
workflow
.
set_entry_point
(
"classifier"
)
# 编译图
conversation_analysis_app
=
workflow
.
compile
(
)
通过结合Dify和LangGraph构建多智能体系统，我们获得了以下优势：
1、开发效率：Dify的可视化界面大幅降低智能体开发门槛
2、编排灵活性：LangGraph提供强大的工作流编排能力
3、系统可靠性：持久化状态和故障恢复机制
4、可扩展性：易于添加新的智能体和功能模块
5、人机协作：完善的人机协作机制
本文介绍了实现多智能体一个实现方式，当然还有其他方式，大家可以在评论区留言一起探讨。
如何学习AI大模型 ？
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓
优快云粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】
读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
👉1.大模型入门学习思维导图👈
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。
对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）
👉4.大模型实战项目&项目源码👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
为什么分享这些资料?
只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！
这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
优快云粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】
读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
