LangChain自动化工作流实战教程：从任务编排到智能决策

LangChain自动化工作流实战教程：从任务编排到智能决策

一、LangChain工作流引擎核心概念

1.1 工作流自动化设计模式

1.2 核心组件介绍

from langchain_core.runnables import (RunnableLambda,RunnableParallel,RunnableBranch
)
from langchain.agents import AgentExecutor, Tool
from langchain.memory import ConversationBufferWindowMemory

二、环境配置与基础搭建

2.1 快速安装

pip install langchain langchain-openai langchain-experimental 
pip install duckduckgo-search  # 用于网络搜索工具

2.2 最小化工作流示例

from langchain_core.runnables import RunnablePassthrough# 定义处理节点
def step1(input):return {"output1": input["input"] + " processed"}def step2(input):return {"final": input["output1"].upper()}# 构建工作流
workflow = (RunnablePassthrough.assign(output1=step1)| step2
)# 执行工作流
workflow.invoke({"input": "test"})

三、复杂工作流编排实战

3.1 条件分支工作流

from langchain_core.runnables import RunnableBranch# 定义分支条件
def route_condition(data):if data["type"] == "A":return "path_a"return "path_b"# 定义各分支处理
def path_a(data):return {"result": "Handled by A"}def path_b(data):return {"result": "Handled by B"}# 构建分支工作流
branch = RunnableBranch((lambda x: route_condition(x) == "path_a", path_a),path_b
)# 执行分支工作流
branch.invoke({"type": "B"})

3.2 并行执行工作流

# 定义并行任务
def fetch_news(data):return {"news": "最新AI动态..."}def fetch_weather(data):return {"weather": "晴，25℃"}# 构建并行流
parallel_workflow = RunnableParallel(news=fetch_news,weather=fetch_weather
)# 执行并行流
parallel_workflow.invoke({})

四、集成外部工具与Agent

4.1 工具集成示例

from langchain.agents import Tool
from langchain.tools import DuckDuckGoSearchResults# 创建工具集
search = DuckDuckGoSearchResults()
tools = [Tool(name="web_search",func=search.run,description="用于查询实时信息"),Tool(name="calculator",func=lambda x: str(eval(x)),description="用于数学计算")
]# 创建代理工作流
from langchain.agents import create_react_agentagent = create_react_agent(llm=ChatOpenAI(model="gpt-3.5-turbo"),tools=tools,prompt=prompt
)

4.2 自动化审批流程案例

def approval_workflow(doc):# 文档分类classifier = RunnableLambda(classify_document)# 并行执行检查checks = RunnableParallel(legal_review=legal_check,finance_review=finance_check)# 最终决策decision = RunnableLambda(make_decision)return ({"document": doc}| classifier| checks| decision)# 执行审批流
result = approval_workflow.invoke(contract_doc)

五、状态管理与错误处理

5.1 工作流状态跟踪

from langchain_core.runnables import RunnableConfigdef log_step(data, config):print(f"Step {config.get('step')} executed")return dataworkflow_with_log = (RunnableLambda(log_step).with_config({"step": 1})| RunnableLambda(process_data).with_config({"step": 2})
)

5.2 异常处理机制

from langchain_core.runnables import RunnableLambdadef safe_operation(data):try:return risky_operation(data)except Exception as e:return {"error": str(e)}workflow = RunnableLambda(safe_operation)

六、生产级部署方案

6.1 工作流服务化部署

from fastapi import FastAPI
from concurrent.futures import ThreadPoolExecutorapp = FastAPI()
executor = ThreadPoolExecutor(max_workers=4)@app.post("/run-workflow")
async def run_workflow(input_data: dict):future = executor.submit(workflow.invoke, input_data)return {"status": "started", "task_id": future.task_id}

6.2 性能优化技巧

# 异步执行工作流
async def async_workflow(data):return await workflow.ainvoke(data)# 缓存中间结果
from langchain.cache import InMemoryCache
langchain.llm_cache = InMemoryCache()

七、典型应用场景案例

7.1 智能客服工单系统

7.2 自动化数据分析流程

def analysis_workflow():return (load_data| clean_data| RunnableParallel(stats=calculate_statistics,trends=identify_trends)| generate_report)

最佳实践与常见问题

8.1 调试建议

# 可视化工作流
print(workflow.get_graph().draw_mermaid())# 分步调试
for step in workflow.stream(input_data):print("Intermediate:", step)

8.2 性能优化矩阵

优化方向	实施方法	预期提升
并行化	使用RunnableParallel	30-50%
缓存	实现LLM结果缓存	40-70%
批处理	使用batch_invoke方法	3-5x
异步执行	使用ainvoke替代invoke	2-3x

---

完整项目示例：

git clone https://github.com/example/langchain-automation-demo
cd langchain-automation-demo
python finance_approval_workflow.py

提示：本教程基于LangChain 0.1.x版本，实际开发时请参考官方文档获取最新API变更。对于企业级应用，建议结合Airflow或Prefect等调度系统实现复杂工作流管理。