Dify+LangGraph实战教程：构建企业级多智能体系统的关键技术与方法！

摘要：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。

一、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：

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

二、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

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

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

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

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓