手把手教你从零构建一个LangChain 自动化工作流，并提供完整代码 + 中文注释 + 部署建议

使用 **LangChain 实现自动化工作流**，核心在于利用其 **Chain（链）**、**Agent（智能体）**、**Tool（工具）** 和 **Memory（记忆）** 等模块，将多个步骤串联成一个可自动执行的流程。

程序猿李巡天

10人浏览 · 2026-03-03 19:07:22

程序猿李巡天 · 2026-03-03 19:07:22 发布

使用 LangChain 实现自动化工作流，核心在于利用其 Chain（链）、Agent（智能体）、Tool（工具） 和 Memory（记忆） 等模块，将多个步骤串联成一个可自动执行的流程。

下面我将以 一个真实场景为例，手把手教你从零构建一个自动化工作流，并提供完整代码 + 中文注释 + 部署建议。

🎯 场景示例：

“每周一上午9点，自动汇总上周客户邮件中的反馈，生成分析报告，并通过企业微信/邮件发送给团队。”

这个任务涉及：

读取邮箱（或数据库）中的客户邮件
提取关键反馈内容
分类（如“功能建议”“Bug 报告”“表扬”）
生成结构化周报
发送通知

✅ 实现思路（LangChain 工作流架构）

[触发] → [数据获取 Tool] → [LLM 分析 Chain] → [报告生成 Chain] → [通知 Tool]

我们将用 LangChain Agent + 自定义 Tools + Sequential Chain 来实现。

第一步：安装依赖

pip install langchain langchain-openai langchain-community beautifulsoup4 imaplib2 requests

如果你用国产模型（如 DeepSeek、通义千问），可替换为对应包，如  或 。

第二步：定义自定义 Tools

Tools 是 LangChain Agent 调用外部能力的“接口”。

示例：读取模拟邮件数据（简化版）

# tools.py
from langchain_core.tools import tool
import json
# 模拟从数据库/邮箱获取上周客户邮件
@tool
def fetch_customer_feedbacks() -> str:
"""获取上周所有客户邮件反馈内容"""
# 实际项目中这里会连接 IMAP / Gmail API / 数据库
feedbacks = [
"用户A：登录页面加载太慢，建议优化。",
"用户B：很喜欢新功能，但希望增加导出PDF选项。",
"用户C：支付失败，错误码500。",
"用户D：客服响应很快，点赞！"
]
return json.dumps(feedbacks, ensure_ascii=False)

示例：发送通知（模拟）

@tool
def send_weekly_report(report: str) -> str:
"""将周报发送给团队（通过邮件/企业微信等）"""
print("📧 周报已发送：")
print(report)
return "发送成功"

第三步：构建分析与生成 Chain

# chains.py
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
llm = ChatOpenAI(
api_key="你的API密钥",
model="gpt-4o",  # 或 deepseek-chat / qwen-max
temperature=0.3
)
# Step 1: 分类反馈
categorize_prompt = ChatPromptTemplate.from_template(
"你是一个产品分析师。请将以下客户反馈分类为：'功能建议'、'Bug报告'、'表扬'。"
"输出格式：JSON 列表，每项包含 'content' 和 'category'。\n\n反馈内容：{feedbacks}"
)
categorize_chain = categorize_prompt | llm | StrOutputParser()
# Step 2: 生成周报
report_prompt = ChatPromptTemplate.from_template(
"基于以下分类后的客户反馈，撰写一份简洁的产品周报，包含："
"1. 总反馈数；2. 各类别数量；3. 关键问题摘要；4. 建议行动项。\n\n{categorized_data}"
)
report_chain = report_prompt | llm | StrOutputParser()

第四步：组装完整工作流（Agent or Sequential Chain）

方案 A：用 Sequential Chain（推荐用于固定流程）

# workflow.py
from langchain.chains import SequentialChain
from tools import fetch_customer_feedbacks
from chains import categorize_chain, report_chain, send_weekly_report
# 手动串联（更可控）
def run_weekly_workflow():
# 1. 获取反馈
raw_feedbacks = fetch_customer_feedbacks.invoke({})
# 2. 分类
categorized = categorize_chain.invoke({"feedbacks": raw_feedbacks})
# 3. 生成报告
report = report_chain.invoke({"categorized_data": categorized})
# 4. 发送
result = send_weekly_report.invoke(report)
return result
# 运行
if __name__ == "__main__":
run_weekly_workflow()

方案 B：用

from langchain import hub
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain_openai import ChatOpenAI
tools = [fetch_customer_feedbacks, send_weekly_report]
# 拉取社区提示词模板
prompt = hub.pull("hwchase17/openai-tools-agent")
llm = ChatOpenAI(model="gpt-4o", temperature=0)
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 启动指令
agent_executor.invoke({
"input": "请执行每周客户反馈分析任务：先获取反馈，然后让LLM分类并生成报告，最后发送报告。"
})

⚠️ 注意：Agent 更灵活，但可能“绕路”；Sequential Chain 更稳定，适合确定性流程。

第五步：自动化调度（每天/每周自动运行）

使用 APScheduler 或 cron：

# scheduler.py
from apscheduler.schedulers.blocking import BlockingScheduler
from workflow import run_weekly_workflow
scheduler = BlockingScheduler()
# 每周一上午9点执行
scheduler.add_job(run_weekly_workflow, 'cron', day_of_week='mon', hour=9, minute=0)
print("⏰ 自动化工作流已启动...")
scheduler.start()

部署到服务器后，即可无人值守运行。

💡

需求	解决方案
处理真实邮件	用 `imaplib` + OAuth2 连接 Gmail/Outlook
支持中文模型	替换 LLM 为 `Tongyi` / `DeepSeek` / `Moonshot`
可视化监控	用 LangSmith（LangChain 官方平台）追踪每一步
错误重试	在 Chain 中加入 `RunnableRetry`
长期记忆	接入向量数据库（如 Chroma）存储历史报告

✅ LangChain 自动化工作流四要素

Tools

：封装外部能力（API、数据库、文件等）
Chains

：编排 LLM 处理逻辑（分类、总结、生成）
Memory（可选）

：记住上下文（如历史反馈趋势）
Scheduler

：定时触发，实现“无人值守”

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～