如果你想把这篇文章和源码对着看，可以先留意文中出现的几个文件名。这个系列会继续按源码往后拆；

这一篇只看一个文件：

TEXT

server/src/services/customerServiceAgent.js

它是本项目的客服 Agent 编排中心。

如果说 /api/chat 是聊天接口入口，那么 customerServiceAgent.js 就是：

TEXT

用户消息进入后，真正按步骤处理客服任务的流程图。

这个 Agent 做了什么

用户发来一句话以后，系统不是直接调用 DeepSeek。

它会按顺序做 4 件事：

TEXT

1. recognizeIntent：识别意图2. runBusinessAction：执行业务动作3. retrieveKnowledge：检索知识库4. generateReply：生成回复

源码里的图是这样搭的：

JS

const graph = new StateGraph(AgentState)  .addNode('recognizeIntent', recognizeIntent)  .addNode('runBusinessAction', runBusinessAction)  .addNode('retrieveKnowledge', retrieveKnowledge)  .addNode('generateReply', generateReply)  .addEdge(START, 'recognizeIntent')  .addEdge('recognizeIntent', 'runBusinessAction')  .addEdge('runBusinessAction', 'retrieveKnowledge')  .addEdge('retrieveKnowledge', 'generateReply')  .addEdge('generateReply', END)  .compile();

画成图：

Mermaid 流程图静态示意

START

↓

recognizeIntent / 识别意图

A

↓

runBusinessAction / 执行业务动作

B

↓

retrieveKnowledge / 检索知识库

C

↓

generateReply / 生成回复流

D

↓

END

4.1 引入的 LangGraph 方法

文件开头引入了：

JS

const { Annotation, END, START, StateGraph } = require('@langchain/langgraph');

这几个东西分别可以这样理解：

名称	作用
StateGraph	创建一张可执行的流程图
Annotation	定义图里的状态字段
START	图的起点
END	图的终点

本项目的 LangGraph 用法比较清晰：

TEXT

先定义状态 AgentState再定义节点函数再 addNode再 addEdge最后 compile

这就是搭一个 Agent 图的基本步骤。

4.2 定义 AgentState

项目里的 AgentState 是：

JS

const AgentState = Annotation.Root({  message: Annotation(),  session: Annotation(),  intentResult: Annotation(),  loginRequired: Annotation(),  actionResult: Annotation(),  retrievedKnowledge: Annotation(),  history: Annotation(),  messages: Annotation(),  stream: Annotation(),});

可以把它理解成：

TEXT

贯穿整个 Agent 流程的共享状态包。

每个节点都从里面拿东西，也往里面放东西。

字段含义：

字段	含义
message	用户当前消息
session	当前聊天会话
intentResult	意图识别结果
loginRequired	是否需要登录
actionResult	业务动作结果
retrievedKnowledge	知识库检索结果
history	历史对话
messages	给大模型的消息列表
stream	大模型回复流

比如第一个节点返回：

JS

return { intentResult };

后面的节点就能通过：

JS

state.intentResult

拿到它。

4.3 节点 1：recognizeIntent

第一个节点：

JS

async function recognizeIntent(state) {  const intentResult = await intentService.process(state.message, state.session);  return { intentResult };}

它做的事是：

TEXT

根据用户消息和当前会话，识别用户想干什么。

例如用户说：

TEXT

南屿 AirBuds 2 还有货吗？

识别结果可能是：

JSON

{  "intent": "PRODUCT_INQUIRY",  "entities": {    "product_name": "南屿 AirBuds 2 主动降噪耳机"  },  "emotion": "neutral",  "retrievalQuery": "南屿 AirBuds 2 还有货吗？"}

这个节点本身不直接调 DeepSeek，而是交给：

TEXT

intentService.process()

因为意图识别还有规则修正、多轮上下文、情绪记录等逻辑。

4.3 节点 2：runBusinessAction

第二个节点：

JS

async function runBusinessAction(state) {  const { intentResult, session } = state;  if (!intentResult || intentResult.type === 'clarification') {    return { actionResult: null, loginRequired: false };  }  if (isLoginRequired(intentResult.intent, session)) {    return { actionResult: null, loginRequired: true };  }  const actionResult = await actionService.execute(    intentResult.intent,    intentResult.entities,    session.user_id,    session.id  );  return { actionResult, loginRequired: false };}

这个节点的关键词是：

TEXT

业务动作。

它会根据意图调用 actionService.execute()。

例如：

意图	业务动作
QUERY_ORDER	查询订单
CANCEL_ORDER	取消订单
REFUND	创建退款申请
COMPLAINT	创建投诉
PRODUCT_INQUIRY	查询商品

它还会判断是否需要登录：

JS

const loginRequiredIntents = ['QUERY_ORDER', 'CANCEL_ORDER', 'REFUND'];

所以游客问商品可以继续，游客要退款会被拦截。

4.3 节点 3：retrieveKnowledge

第三个节点：

JS

async function retrieveKnowledge(state) {  if (!state.intentResult || state.intentResult.type === 'clarification' || state.loginRequired) {    return { retrievedKnowledge: [] };  }  const retrievedKnowledge = await knowledgeService.search(    state.intentResult.retrievalQuery || state.message,    {      intent: state.intentResult.intent,    }  );  return { retrievedKnowledge };}

它做的是：

TEXT

按用户问题和意图检索知识库。

不是所有场景都检索。

比如：

• 需要澄清时，不检索
• 需要登录但未登录时，不检索
• 商品咨询、通用问答、投诉，更适合检索

这样可以避免不必要的知识库调用。

4.3 节点 4：generateReply

第四个节点：

JS

async function generateReply(state) {  if (!state.intentResult || state.intentResult.type === 'clarification' || state.loginRequired) {    return { stream: null };  }  const history = await contextService.getContext(state.session.id);  const messages = [...history, new HumanMessage(state.message)];  const stream = await deepseekService.chat(messages, {    businessData: state.actionResult && state.actionResult.data,    actionMessage: state.actionResult && state.actionResult.message,    retrievedKnowledge: state.retrievedKnowledge,    intent: state.intentResult.intent,    entities: state.intentResult.entities,    emotion: state.intentResult.emotion,    sootheMode: state.intentResult.sootheMode,    settings: state.intentResult.settings,  });  return { history, messages, stream };}

这个节点把所有材料汇总起来：

• 历史对话
• 当前消息
• 业务数据
• 知识库内容
• 意图和实体
• 情绪信息
• 店铺设置

然后调用：

TEXT

deepseekService.chat()

得到一个流式回复 stream。

4.4 把节点连接成图

前面 4 个节点定义完以后，项目用 addEdge 串起来：

JS

.addEdge(START, 'recognizeIntent').addEdge('recognizeIntent', 'runBusinessAction').addEdge('runBusinessAction', 'retrieveKnowledge').addEdge('retrieveKnowledge', 'generateReply').addEdge('generateReply', END)

这就是流程顺序。

最后：

JS

.compile();

表示把这张图编译成可执行对象。

调用入口是：

JS

async function prepareReply({ message, session }) {  return graph.invoke({    message,    session,    retrievedKnowledge: [],    loginRequired: false,  });}

聊天接口只需要调用：

JS

customerServiceAgent.prepareReply({ message, session })

就能拿到整张图执行后的状态。

用一个例子串起来

用户问：

TEXT

南屿 AirBuds 2 主动降噪耳机还有货吗？

流程可能是：

TEXT

recognizeIntent-> 识别 PRODUCT_INQUIRY，提取 product_namerunBusinessAction-> actionService.queryProduct() 查 MySQL，拿到库存 86、价格 399retrieveKnowledge-> Qdrant 检索商品说明，找到主动降噪、续航等知识generateReply-> DeepSeek 结合业务数据和知识库生成回复流

最终回复可能是：

TEXT

有货的。南屿 AirBuds 2 当前库存是 86 件，价格是 399 元。这款支持最高 42dB 混合主动降噪，单次续航约 7 小时，适合通勤和办公室使用。

这句话里：

• 库存、价格来自 MySQL
• 降噪、续航来自知识库/商品说明
• 表达方式来自大模型
• 流程顺序由 LangGraph 保证

最后用一句话记住

这个项目里的 LangGraph Agent 不是神秘东西。

它就是一张按顺序执行的客服流程图：

TEXT

识别意图-> 执行业务动作-> 检索知识库-> 生成回复

AgentState 负责在节点之间传数据，addNode 定义每一步，addEdge 定义顺序，graph.invoke() 真正执行。

看懂 customerServiceAgent.js，就看懂了这个 AI 客服的主干编排。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】