"""LangGraph 事故流程图。 架构（对照 ``workflow/20261016/事故信息采集2025118.json``，作业 3 修订）： - 每个主要阶段是独立节点，与工作流 chatNode 一一对应： ``collect``（事故信息收集）、``single_photo``（单车拍照）、 ``dual_photo``（双车拍照）、``single_confirm`` / ``dual_confirm`` （信息确认，作业 5 实现）； - 节点间的大切换由 ``route_by_stage`` 条件边按 ``stage_code`` 路由 （对照工作流的 Condition#2/#7/#9 等）；LLM 接入后由节点内的 “解析状态”代码写出 ``stage_code``，条件边只做分发，不含业务规则； - 节点内部的阶段推进（拍照步骤、失败/无回复处理、分流）由节点内 LLM 提议目标 ``stage_code``（脚手架期由 ``_fake_llm_propose`` 模拟），代码按 ``transitions`` 白名单校验、非法提议不写状态； 代码只负责事件解析与计数等上下文簿记，不代替模型决定； - LLM 接入前（作业 4 之前），节点共用固定话术模板。 图结构:: START → normalize_input → route ─┬→ collect ───────────→ END ├→ single_photo ──────→ END ├→ dual_photo ────────→ END ├→ single_confirm ────→ END (作业 5) ├→ dual_confirm ──────→ END (作业 5) └→ END (终态 0000—0005) 离线运行示例： python -m examples.langgraph_smoke 对应测试：test/agent/test_scaffold.py、test/agent/test_events.py、 test/agent/test_transitions.py """ from langgraph.checkpoint.memory import InMemorySaver from langgraph.graph import END, START, StateGraph from .events import ClientEvent, parse_client_event from .state import AgentState from .transitions import TERMINAL_STAGES, is_legal_transition # 缺省阶段（首轮会话无 checkpoint 时）；后续由规则/模型驱动。 DEFAULT_STAGE_CODE = "1002" def normalize_input(state: AgentState) -> dict: """归一化本轮输入：清理文本、解析客户端事件、清空本轮 patch。 - 普通输入事件为 ""；带标记输入解析为 ClientEvent.value； - ``turn_patch`` 每轮开始清空，避免上一轮差量残留重复发布 （计划作业 3-7）。 """ cleaned = state["input_text"].strip() event = parse_client_event(cleaned) return { "input_text": cleaned, "client_event": event.value if event else "", "turn_patch": {}, } def route_by_stage(state: AgentState) -> str: """按当前阶段路由到对应节点（条件边，对照工作流 Condition 分支）。 终态（0000—0005）直接结束；空/未知阶段按采集处理。 """ stage = state.get("stage_code") or "" if stage in TERMINAL_STAGES: return END if stage in {"1001", "1002"}: return "collect" if stage in {"2000", "2001", "2002", "2003", "2004", "2005"}: return "single_photo" if stage in {"2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017"}: return "dual_photo" if stage == "3001": return "single_confirm" if stage == "3002": return "dual_confirm" return "collect" def _fake_llm_propose(state: AgentState, event: ClientEvent | None) -> str | None: """假 LLM：提出下一步阶段码（作业 4 起由真实 LLM 取代）。 模拟工作流 chatNode 提示词的判断（来源见各分支注释）： - 会话标记且当前 1001 → 1002（work_start is_first_message）； - 【拍摄完成】拍照链前进一步（单车/双车拍照提示词）； - 拍照失败标记 → 0005（客户端已统计三次，提示词要求直接转人工）； - 连续第二次【用户无回复】 → 0004（no_reply_count 由代码簿记， 本函数读取的是本轮计数前的历史值）。 提议是否生效由 ``is_legal_transition`` 校验。 """ current = state.get("stage_code") or "" if event in (ClientEvent.SESSION_START, ClientEvent.CONTINUE): if current == "1001": return "1002" if event is ClientEvent.PHOTO_DONE: chain = { "2000": "2001", "2001": "2002", "2002": "2003", "2003": "2005", "2010": "2011", "2011": "2012", "2012": "2013", "2013": "2014", "2014": "2015", } return chain.get(current) if event is ClientEvent.PHOTO_FAILED_3X: return "0005" if event is ClientEvent.NO_REPLY and (state.get("no_reply_count") or 0) >= 1: return "0004" return None def _event_reply(state: AgentState) -> dict: """事件簿记 + 阶段提议/校验 + 固定话术（作业 3 脚手架版）。 - 代码只维护上下文：``no_reply_count`` 累计（NO_REPLY）与 重置（其他输入）； - 阶段码（含失败/无回复处理）一律由 ``_fake_llm_propose`` 提议 （作业 4 换真实 LLM），经白名单校验，非法提议保持当前阶段； - 轮数 +1，响应带 ```` 前缀（API 层解析）。 TODO(作业 4): 真实 LLM 接入后，话术与阶段提议移入各节点； TODO(作业 4-10): 对非法提议做一次受控修复重试（当前直接拒绝）。 """ raw_event = state.get("client_event") or "" event = ClientEvent(raw_event) if raw_event else None no_reply_count = state.get("no_reply_count") or 0 if event is ClientEvent.NO_REPLY: no_reply_count += 1 elif (state.get("input_text") or "").strip(): no_reply_count = 0 current = state.get("stage_code") or DEFAULT_STAGE_CODE proposed = _fake_llm_propose(state, event) if proposed and is_legal_transition(current, proposed): stage_code = proposed else: stage_code = current response_text = ( f"{stage_code}" f"已收到：{state['input_text']}" ) return { "turn_count": (state.get("turn_count") or 0) + 1, "no_reply_count": no_reply_count, "response_text": response_text, "stage_code": stage_code, } def collect(state: AgentState) -> dict: """事故信息收集节点（工作流“事故信息收集” chatNode）。 TODO(作业 4): 接入 LLM——多轮采集、跳过已知信息、一次补齐分流； 模型回复中的状态前缀由代码校验（解析状态，对照工作流 “解析状态” code 节点），不由模型自由写阶段。 """ return _event_reply(state) def single_photo(state: AgentState) -> dict: """单车拍照节点（工作流“单车拍照” chatNode）。 TODO(作业 5): 按 2000→2001→2002→2003→2005 生成对应拍照话术； 步骤推进的确定性部分已在 ``transitions`` 表覆盖。 """ return _event_reply(state) def dual_photo(state: AgentState) -> dict: """双车拍照节点（工作流“双车拍照” chatNode）。 TODO(作业 5): 按 2010→…→2015 生成对应话术；direct 模式末次 拍摄完成进入 3002（同轮询问第一方身份）。 """ return _event_reply(state) def single_confirm(state: AgentState) -> dict: """单车信息确认节点（工作流“单车信息确认” chatNode，作业 5）。""" raise NotImplementedError("TODO(作业 5): 实现单车信息确认节点") def dual_confirm(state: AgentState) -> dict: """双车信息确认节点（工作流“双车信息确认” chatNode，作业 5）。""" raise NotImplementedError("TODO(作业 5): 实现双车信息确认节点") def build_graph(checkpointer=None): """装配并编译图。 参数: checkpointer: 自定义 checkpointer；缺省 ``InMemorySaver``， 作业 7 替换为 ``AsyncPostgresSaver``。 调用方通过 ``config={"configurable": {"thread_id": <会话>}}`` 区分会话。 """ builder = StateGraph(AgentState) builder.add_node("normalize_input", normalize_input) builder.add_node("collect", collect) builder.add_node("single_photo", single_photo) builder.add_node("dual_photo", dual_photo) builder.add_node("single_confirm", single_confirm) builder.add_node("dual_confirm", dual_confirm) builder.add_edge(START, "normalize_input") builder.add_conditional_edges( "normalize_input", route_by_stage, { "collect": "collect", "single_photo": "single_photo", "dual_photo": "dual_photo", "single_confirm": "single_confirm", "dual_confirm": "dual_confirm", END: END, }, ) builder.add_edge("collect", END) builder.add_edge("single_photo", END) builder.add_edge("dual_photo", END) builder.add_edge("single_confirm", END) builder.add_edge("dual_confirm", END) return builder.compile(checkpointer=checkpointer or InMemorySaver())