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：

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。

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：