基于LangGraph构建智能邮件处理系统 - agents-course实战解析-CSDN博客

基于LangGraph构建智能邮件处理系统 - agents-course实战解析

引言

在现代AI应用开发中，构建能够处理复杂工作流程的系统至关重要。本文将深入探讨如何使用LangGraph框架构建一个智能邮件处理系统，这是agents-course项目中的核心案例。我们将从技术架构的角度，详细解析每个组件的设计与实现。

系统概述

这个智能邮件处理系统模拟了Alfred（蝙蝠侠的管家）处理邮件的完整流程，主要功能包括：

邮件读取与预处理
垃圾邮件智能分类
合法邮件自动响应草拟
重要邮件通知处理

技术架构设计

1. 状态管理设计

系统采用TypedDict定义了完整的处理状态：

class EmailState(TypedDict):
    email: Dict[str, Any]        # 邮件原始数据
    is_spam: Optional[bool]      # 垃圾邮件标记
    draft_response: Optional[str] # 响应草稿
    messages: List[Dict[str, Any]] # 处理历史记录

这种设计确保了：

类型安全：每个字段都有明确的类型声明
状态完整：跟踪从输入到输出的完整处理流程
可追溯性：保留所有LLM交互历史

2. 核心处理节点实现

系统包含五个关键处理节点：

2.1 邮件读取节点

def read_email(state: EmailState):
    print(f"Processing email from {email['sender']}")
    return {}  # 无状态更新

这个节点负责初始化处理流程，记录基本的邮件信息。

2.2 邮件分类节点

def classify_email(state: EmailState):
    prompt = f"Analyze this email from {email['sender']}..."
    response = model.invoke([HumanMessage(content=prompt)])
    is_spam = "spam" in response.content.lower()
    return {"is_spam": is_spam, ...}

该节点利用LLM进行智能分类，是系统的决策核心。

2.3 垃圾邮件处理节点

def handle_spam(state: EmailState):
    print(f"Marked as spam: {state['spam_reason']}")
    return {}

简单记录垃圾邮件处理结果。

2.4 响应草拟节点

def draft_response(state: EmailState):
    prompt = f"Draft response to {email['category']} email..."
    response = model.invoke([HumanMessage(content=prompt)])
    return {"draft_response": response.content}

使用LLM生成专业回复草稿。

2.5 通知节点

def notify_mr_hugg(state: EmailState):
    print(f"Sir, email from {email['sender']} received")
    print(f"Draft response: {state['draft_response']}")
    return {}

模拟向主管汇报的场景。

工作流编排

LangGraph的核心价值在于其强大的流程编排能力：

# 创建图结构
email_graph = StateGraph(EmailState)

# 添加节点
email_graph.add_node("read_email", read_email)
...

# 设置条件路由
email_graph.add_conditional_edges(
    "classify_email",
    route_email,  # 路由决策函数
    {"spam": "handle_spam", "legitimate": "draft_response"}
)

# 编译执行图
compiled_graph = email_graph.compile()

这种声明式的编排方式使得复杂业务流程变得直观且易于维护。

系统监控与可观测性

生产级AI系统必须具备完善的可观测性。本系统集成了Langfuse进行运行监控：

from langfuse.callback import CallbackHandler

# 初始化监控回调
langfuse_handler = CallbackHandler()

# 执行时注入监控
legitimate_result = compiled_graph.invoke(
    input={...},
    config={"callbacks": [langfuse_handler]}
)

这种设计使得：

所有LLM交互被完整记录
处理流程可视化追踪
便于性能分析和问题排查

实战测试案例

系统针对两种典型邮件进行了测试：

合法咨询邮件

legitimate_email = {
    "sender": "john.smith@example.com",
    "subject": "Question about services",
    "body": "Could we schedule a call next week?"
}

垃圾邮件

spam_email = {
    "sender": "winner@lottery-intl.com",
    "subject": "YOU HAVE WON $5,000,000!!!",
    "body": "Send us your bank details to claim prize"
}

测试验证了系统能够正确分类并采取相应处理路径。