电商场景：中文多 Agent 客服可观测实践

本文以一个纯文字电商客服为例，展示如何使用 LangGraph 构建中文多 Agent 工作流，并通过 LoongSuite 观察意图识别、专业 Agent、工具调用和最终回复审核。

用户只需要输入中文问题。示例不包含图片、文件上传、OCR、浏览器页面或多模态 模型，商品、订单和售后政策也全部使用虚构数据。

示例源码

本文使用 LoongSuite Python 电商客服示例。 该示例面向 LangGraph 1.2+，使用 LangChain 1.x 的 create_agent API。

场景工作流

中文问题
  -> intent_router
  -> presales_agent | aftersales_agent | clarify
  -> response_review
  -> 最终中文回复

工作流包含以下角色：

角色或节点	作用	可使用的能力
intent_router	使用 LLM 将问题识别为售前、售后或意图不明确	结构化意图分类
presales_agent	运行显示名为“售前服务”的 ReAct Agent	商品目录、商品知识和库存查询
aftersales_agent	运行显示名为“售后服务”的 ReAct Agent	订单历史、售后政策和问题评估
clarify	在意图置信度不足时要求用户补充信息	不调用专业 Agent 或业务工具
response_review	根据专业 Agent 草稿和工具证据润色、审查最终回复	独立 LLM 调用

售前和售后 Agent 使用不同提示词和工具集。未选中的 Agent 不会执行，最终审核 节点也只能保留工具证据支持的事实，避免编造价格、库存、订单状态或售后承诺。

文字问答示例

售前问题：

云步通勤鞋适合日常步行吗？42 码有货吗？

该问题会进入 presales_agent，由“售前服务”Agent 查询虚构商品知识和库存。

售后问题：

订单 DEMO-1001 昨天签收，鞋底有问题，应该怎么处理？

该问题会进入 aftersales_agent，由“售后服务”Agent 先查询虚构订单，再根据 售后政策给出下一步建议。

意图不明确的问题：

能帮帮我吗？

当分类置信度不足时，工作流进入 clarify，请用户说明要咨询商品还是已有订单。

可观测链路

一次售前或售后请求通常包含以下调用层次：

意图识别 LLM
  -> 选中的 LangGraph 专业节点
  -> invoke_agent 售前服务 | invoke_agent 售后服务
     -> 专业 Agent LLM
     -> execute_tool <工具名>
     -> 专业 Agent LLM
  -> 最终审核 LLM

可观测信号	说明
invoke_agent 售前服务	售前专业 Agent 的完整执行过程
invoke_agent 售后服务	售后专业 Agent 的完整执行过程
gen_ai.agent.name	对应值为“售前服务”或“售后服务”
execute_tool search_product_catalog	查询虚构商品目录
execute_tool check_inventory	查询虚构库存
execute_tool lookup_order_history	查询虚构订单历史
execute_tool query_after_sales_policy	查询虚构售后政策
LLM Span	查看路由、专业 Agent 和最终审核阶段的模型、耗时及 Token 用量

外层 LangGraph 节点名、内部路由值和工具名使用英文，以保持代码接口稳定；面向 国内用户展示的专业 Agent 名称使用中文。不同版本的 LangGraph 埋点可能将 ReAct 迭代显示为独立 Step，也可能显示为 chain model 和 chain tools，两种 形式都可以继续观察专业 LLM 和工具调用。

运行示例

克隆 LoongSuite Python 仓库后进入示例目录：

cd examples/ecommerce-customer-service
python -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt

配置 OpenAI-compatible 模型。以 DashScope 为例：

export DASHSCOPE_API_KEY="your-api-key"

将 Span 输出到控制台并发送一个纯文字问题：

export OTEL_SERVICE_NAME="ecommerce-customer-service"
export OTEL_TRACES_EXPORTER="console"
export OTEL_METRICS_EXPORTER="none"
export OTEL_LOGS_EXPORTER="none"
export OTEL_SEMCONV_STABILITY_OPT_IN="gen_ai_latest_experimental"

loongsuite-instrument python app.py \
  --question "云步通勤鞋适合日常步行吗？42 码有货吗？"

省略 --question 后，可以在终端中连续输入中文问题。请勿把模型密钥提交到 源码仓库。

在线体验

访问 AgentLoop Demo， 在左侧导航栏选择 AI Agent 可观测。在应用列表中找到 ecommerce-text-support，进入 链路追踪 页面，即可查看售前、售后、 工具调用和最终审核组成的 Trace。

隐私边界

示例中的 P-DEMO-* 商品、DEMO-* 订单和所有政策均为虚构数据，不连接真实 电商系统，也不包含任何客户账号、生产订单、项目标识、Trace ID 或内部地址。