Dify+LangGraph实战：零基础构建多智能体系统，代码与可视化完美融合

本文探讨低代码平台Dify与专业编排框架LangGraph的融合，介绍LangGraph核心特性如持久化执行、人机交互等，以及"编排代码化，实现可视化"的集成思想。通过对话分析多智能体系统实战案例，展示这种融合如何提升开发效率、编排灵活性和系统可靠性，为AI应用开发提供全新路径。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

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：

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

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。

CSDN独家福利

最后，感谢每一个认真阅读我文章的人，礼尚往来总是要有的，下面资料虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：