LangGraph 实践:用工作流包住 Agent,把审计留在模型外
Ajitesh Shukla 分享了一个 P2P Agent 的 LangGraph 架构:外层是确定性工作流,内层是可成长的 Agent 核心,规则校验和独立复核放在模型之外。对开发者和普通读者,这个案例解释了什么时候该用 workflow,什么时候该给 agent 留空间。
Harrison Chase 转发 Ajitesh Shukla 的推文,讨论一个问题:LangGraph 工作流,还是 deep agent?Ajitesh 给的答案是,外层用 workflow,内层用 agent,并且让内层可以继续长大。
背景是他们在 @LangChain 上做采购到付款(P2P)agent。P2P 流程有明确的审核要求,不能把每一步都交给模型自由发挥。他们引用了 Anthropic 的《Building effective agents》:任务定义清楚时用 workflow,需要灵活性时再加 agency;LangGraph 则可以把确定性步骤和 agent 步骤放进同一张图,让一个完整 agent 成为图里的普通节点。
他们的做法可以拆成四层。
1/ 确定性外壳
加载上下文 → agent core → 出口校验 → 写回。这一段是普通代码,每次执行都一样。对 P2P 运营来说,只有一条可审计路径。
2/ 一个接口后面的 agent 核心
AgentCore.run(context) -> Resolution。今天它可能只是一个 create_agent 循环,步骤已知,上下文也不大。等案例变复杂,比如多张发票、争议、需要问另一个团队,create_deep_agent 可以用同样的工具和 skill 接进来。接口不变,内部可以换。
3/ 保证放在代码里,不放在 prompt 里
prompt 规则是概率性的。规则检查和独立复核跑在外壳里,在模型之外,所以核心无论怎么规划,都绕不过这些检查。
4/ 步骤做成 skill,不做成图节点
新场景来了,就加一个新 skill,不用重新设计整张图。这样图不会随着业务场景膨胀而失控。
反向模式也存在:有些团队让 agent 在外层,把锁死的工作流当成工具,用来处理退款这类高风险动作。选哪一层在外,取决于风险。对 Ajitesh 的团队来说,每个案例都要过同样的审计,所以确定性部分放在外面。
他们的经验规则很直接:如果你能画出流程图,那就是 workflow。把 agent 放在画不出流程图的地方,把保证放在 agent 碰不到的地方。
对 AI 从业者,这个案例的价值在分层:可审计性放外层,灵活性放内层。对普通读者,它也说清了 agent 落地时的一条边界,模型可以负责判断,但关键约束最好留给代码。
发布时间: 2026-11-16 09:27