如何使用Dify+LangGraph构建企业级多智能体系统

上一篇文章我们介绍了AI agent技术架构，里面有很多个智能体，需要多智能体协同实现一个完整的功能，目前一个明显的趋势正在形成：低代码平台与专业编排框架的深度融合。Dify作为领先的AI应用开发平台，以其直观的可视化界面降低了智能体构建门槛；而LangGraph作为LangChain推出的专业编排框架，则提供了复杂工作流所需的强大控制能力。这两者的结合，正在为企业构建多智能体系统开辟一条全新的路径。

01-LangGraph核心概念与特性

LangGraph是LangChain开发的一个低层级的编排框架和运行时，专门用于构建、管理和部署长时运行的、有状态的智能体。它具有以下核心特性：

LangGraph的官方文档如下：

https://docs.langchain.com/oss/python/langgraph/quickstart

而基础构建方法

从文档中的“Hello World”示例可以看出，构建LangGraph智能体的基本流程是：

1、定义状态类型：使用StateGraph(MessagesState)创建状态图

2、添加节点：通过graph.add_node()添加处理函数

3、设置边连接：使用graph.add_edge()定义节点间的流转关系

4、编译图：调用graph.compile()生成可执行图

5、调用执行：通过graph.invoke()传入初始状态执行图

02—dify和LangGraph技术融合：架构互补性解析****

1.1 技术定位与优势互补

1.2 集成的想法：代码与低代码的协同

这种结合的核心思想是**“编排代码化，实现可视化”**：

• LangGraph负责：定义智能体间的交互逻辑、状态流转规则、异常处理机制
• Dify负责：实现单个智能体的专业能力、提供用户界面、管理知识库集成

1.3 实战案例：对话分析多智能体系统

假设我们需要构建一个对话分析系统，具备以下功能：

1、实时对话分类：识别对话意图和主题

2、情感分析：分析用户情绪变化

3、关键信息提取：提取重要实体和观点

4、自动摘要生成：生成对话摘要

5、异常检测：识别潜在问题或冲突

系统架构设计

LangGraph编排实现

# conversation_analysis_graph.py

from typing import TypedDict , List , Dict , Any , Literal

from langgraph . graph import StateGraph , END

# 定义状态结构

class ConversationState ( TypedDict ) :

"""对话分析系统的状态定义"""

# 输入相关

conversation_id : str

user_input : str c

onversation_history : List [ Dict [ str , Any ] ]

# 处理中间结果

intent : str

category : str

sentiment_scores : List [ float ]

entities : List [ Dict [ str , Any ] ]

key_points : List [ str ]

# 分析结果

sentiment_analysis : Dict [ str , Any ]

entity_analysis : Dict [ str , Any ]

summary : str

# 系统控制

current_step : Literal [ "classification" , "analysis" , "reporting" , "complete" ]

requires_human_review : bool

human_feedback : str

# 初始化Dify-LangGraph桥接

bridge = DifyLangGraphBridge ( dify_api_key = "your-dify-api-key" , dify_base_url = "https://api.dify.ai/v1" )

# 创建Dify智能体对应的LangGraph节点

classification_node = bridge . create_langgraph_node ( "conversation-classifier" , "classifier" )

analysis_node = bridge . create_langgraph_node ( "conversation-analyzer" , "analyzer" )

reporting_node = bridge . create_langgraph_node ( "report-generator" , "reporter" )

# 构建状态图

workflow = StateGraph ( ConversationState )

# 添加节点 workflow . add_node ( "classifier" , classification_node [ 1 ] )

workflow . add_node ( "analyzer" , analysis_node [ 1 ] )

workflow . add_node ( "reporter" , reporting_node [ 1 ] )

workflow . add_node ( "human_review" , human_review_node )

workflow . add_node ( "quality_check" , quality_check_node )

# 定义条件路由函数

def route_by_conversation_state ( state : ConversationState ) - > str :

"""根据对话状态决定下一步"""

if state [ "current_step" ] == "classification" :

return "classifier"

elif state [ "current_step" ] == "analysis" :

# 检查是否需要人工审核

if ( state . get ( "sentiment_scores" ) and min ( state [ "sentiment_scores" ] ) < - 0.7 ) : state [ "requires_human_review" ] = True

return "human_review"

return "analyzer"

elif state [ "current_step" ] == "reporting" :

# 质量检查

if len ( state . get ( "key_points" , [ ] ) ) < 2 :

return "quality_check"

return "reporter"

elif state [ "current_step" ] == "complete" : return END

else :

# 默认开始分类

state [ "current_step" ] = "classification"

return "classifier"

# 设置路由

Workflow . add_conditional_edges ( "classifier" , route_by_conversation_state ,

{ "analyzer" : "analyzer" , "human_review" : "human_review" , END :

END }

workflow . add_conditional_edges ( "analyzer" , route_by_conversation_state , { "reporter" : "reporter" , "quality_check" : "quality_check" , "human_review" : "human_review" } )

workflow . add_edge ( "reporter" , END )

workflow . add_edge ( "quality_check" , "analyzer" )

# 重新分析

workflow . add_edge ( "human_review" , "analyzer" )

# 审核后继续分析 # 设置入口点

workflow . set_entry_point ( "classifier" )

# 编译图

conversation_analysis_app = workflow . compile ( )

通过结合Dify和LangGraph构建多智能体系统，我们获得了以下优势：

1、开发效率：Dify的可视化界面大幅降低智能体开发门槛

2、编排灵活性：LangGraph提供强大的工作流编排能力

3、系统可靠性：持久化状态和故障恢复机制

4、可扩展性：易于添加新的智能体和功能模块

5、人机协作：完善的人机协作机制

本文介绍了实现多智能体一个实现方式，当然还有其他方式，大家可以在评论区留言一起探讨。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！