我用LangGraph AI代理取代了15分钟预订流程

一家清洁公司要给我的沙发报价，先问尺寸、材质，还要照片，接着又问我地址，因为城市不同区域的路程时间差别很大，直接影响价格。沙发报价谈妥后，我又问公寓清洁，又是一轮关于面积、清洁深度、附加服务的来回沟通。价格敲定后，还得再聊几句才能定下合适的上门时间。整个预订流程花了大概15分钟。 这听起来就是个值得交给AI代理来处理的问题。在本文中，我们将用Python、LangGraph和LangChain来构建这样一个代理，做一个测试完整预订流程的演示，并集成Langfuse用于可观测性。这个AI代理不仅能加快流程，部署到生产环境后还能7×24小时工作。注意，这不是简单的聊天机器人，而是一个有状态的AI代理，能把对话智能和确定性业务规则结合起来，管理多步骤业务流程。代理的源代码已发布在GitHub的customer-service-agent仓库中，欢迎克隆自行测试。 这个代理做什么？它包办了这家公司客服代表的所有工作：响应客户咨询并理解需求、计算服务价格并告知客户、处理客户的接受或拒绝、推荐最优时间段、确认并记录预约。 为什么用AI代理做这个任务？我们也可以做一个报价工具，让客户回答一套预设问题，价格批准后系统自动安排预约。这也能用，但每个客户都得走同样的流程。AI代理提供的体验更自然、更灵活。比如客户可以直接写：“嘿！我需要给两居室公寓做清洁，地址是XXX，还想让你把冰箱里面也擦一下。我周二和周三有空。”这条消息包含了所有必要信息，代理就能直接算出报价，不用再问一堆问题或让客户在表单里重复填信息。AI代理还能编排后续步骤，比如价格计算、处理客户决定、搜索最优预约时间、确认预订。它还有潜力支持更多操作，比如通知清洁工新预约，或者联系附近的清洁工看谁能接急单。 代理的结构：我画了下面这张图来展示AI代理的结构。起点是客户和AI代理之间的互动。在与客户聊天时，AI代理尝试获取服务所需的全部信息。第一次聊天的输出是预订或服务详情，代理将其转换为结构化输出，供后续的价格和预订引擎使用。第一版中使用的BookingDetails如下：它包含服务类型、面积信息（房子按平方英尺、沙发按座位数）、清洁深度、附加服务、地址，以及是否完整和下一个问题等字段。代理只在信息缺失时才提问。 核心变化：这个代理的本质是把一个原本需要人工来回沟通15分钟的流程，压缩成一次自然语言对话就能完成。它不只是简单地把聊天记录传给大模型，而是通过LangGraph构建了一个有状态的工作流，每一步都有明确的业务逻辑在把关。比如价格计算不是让模型随口说，而是提取出结构化数据后交给确定性的计算引擎来处理，这样既保证了灵活性，又不会出错。 对卖家的影响：如果你做的是本地生活服务、家政、维修、咨询这类需要报价和预约的生意，这个案例很有参考价值。传统做法要么是人工客服在线聊，要么是做一个死板的表单让客户填。前者成本高、响应慢，后者体验差、转化率低。用LangGraph搭一个这样的代理，客户发一段自然语言就能完成报价和预约，而且系统能24小时响应，不放过任何一个深夜咨询的潜在订单。代码已经开源，你可以直接克隆下来改改业务规则就能用，不用从零开始。