# LangGraph Agent - 全能个人助手系统

该模块负责将个人助手从"查询型"升级为"全能执行型"，通过 LangGraph 子图架构实现通讯录管理、智能词典、增强研究分析等核心功能。

---

## 🔧 公共工具与共享组件

三个子图共享一套统一的基础设施和通用工具，避免重复实现，确保架构一致。

### 公共工具架构

```
┌─────────────────────────────────────────────────────────────────┐
│                      公共工具层 (Shared Tools)                        │
├─────────────────────────────────────────────────────────────────┤
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────┐ │
│  │意图理解工具  │ │人工审核工具  │ │格式化输出  │ │状态管理│ │
│  └──────────────┘ └──────────────┘ └──────────────┘ └──────────┘ │
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────┐ │
│  │检查点持久化  │ │条件路由      │ │LLM 调用      │ │数据库  │ │
│  └──────────────┘ └──────────────┘ └──────────────┘ └──────────┘ │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│                      子图层 (Subgraphs)                         │
├─────────────────────────────────────────────────────────────────┤
│  ┌──────────────┐ ┌──────────────┐ ┌──────────────┐            │
│  │  通讯录子图  │ │  智能词典子图│ │ 研究分析子图│            │
│  └──────────────┘ └──────────────┘ └──────────────┘            │
└─────────────────────────────────────────────────────────────────┘
```

### 公共工具详解

#### 1. 意图理解工具 (Intent Understanding Tool)

**技术栈**：LangChain LLM + 少样本提示词 + 结构化输出

**使用方法**：
```python
from agent_subgraphs.common.intent import parse_intent

result = parse_intent(
    user_input="添加张三电话13800138000",
    intent_categories=["contact", "dictionary", "research", "chat"]
)
# 返回: {
#   "intent_type": "contact",
#   "sub_intent": "add",
#   "extracted_info": {"name": "张三", "phone": "13800138000"}
# }
```

**实现逻辑**：
- 使用 LLM 进行意图分类，输出结构化 JSON
- 关键词匹配兜底（如"保存"、"添加" → contact）
- 自动提取关键信息（实体、参数）
- 支持自定义意图分类器

**所有子图共用**：在 `agent_subgraphs/common/intent.py`

---

#### 2. 人工审核工具 (Human-in-the-loop Tool)

**技术栈**：LangGraph `interrupt()` + 状态持久化

**使用方法**：
```python
from agent_subgraphs.common.human_loop import human_approval_node

def email_send_workflow(state: dict) -> dict:
    # 生成邮件草稿...
    state["pending_action"] = {"type": "email_send", "draft": draft}
    return human_approval_node(state)  # 挂起等待用户确认
```

**实现逻辑**：
- 使用 `interrupt()` 触发挂起
- 支持三种操作：确认、修改、取消
- 超时自动取消（可配置超时时间）
- 用户反馈结构化存储
- 支持断点续作

**共享位置**：`agent_subgraphs/common/human_loop.py`

**应用场景**：
- 通讯录：邮件发送、联系人删除
- 研究分析：信息源确认、报告结构调整
- 智能词典：批量删除确认

---

#### 3. 格式化输出工具 (Formatting Tool)

**技术栈**：Jinja2 模板 + Markdown 生成

**使用方法**：
```python
from agent_subgraphs.common.format import format_output

result = format_output(
    template="contact_result",
    data={"contact": contact_data, "action": "added"}
)
```

**实现逻辑**：
- 预定义输出模板库
- 支持 Markdown、HTML、纯文本三种格式
- 自动处理列表、表格等复杂结构
- 支持用户自定义模板

**共享位置**：`agent_subgraphs/common/format.py`

---

#### 4. 检查点持久化工具 (Checkpoint Tool)

**技术栈**：LangGraph CheckpointSaver + SQLite / PostgreSQL

**使用方法**：
```python
from agent_subgraphs.common.checkpoint import get_checkpointer

checkpointer = get_checkpointer(db_url="sqlite:///checkpoints.db")

# 在图编译时传入
graph = workflow.compile(checkpointer=checkpointer)
```

**实现逻辑**：
- 自动在每个节点执行后保存检查点
- 支持断点续作
- 状态版本管理
- 支持查询历史状态

**共享位置**：`agent_subgraphs/common/checkpoint.py`

---

#### 5. 条件路由工具 (Conditional Routing Tool)

**技术栈**：LangGraph 条件边 + 路由函数

**使用方法**：
```python
from agent_subgraphs.common.routing import route_by_intent

def my_router(state: dict) -> str:
    return route_by_intent(
        state,
        {
            "translate": "translate_node",
            "lookup": "lookup_node",
        }
    )
```

**实现逻辑**：
- 标准化的意图路由
- 支持复杂条件判断
- 路由函数可组合
- 自动处理默认分支

**共享位置**：`agent_subgraphs/common/routing.py`

---

#### 6. LLM 调用工具 (LLM Invocation Tool)

**技术栈**：LangChain ChatOpenAI + 重试 + 流式输出

**使用方法**：
```python
from agent_subgraphs.common.llm import call_llm, call_llm_stream

# 同步调用
result = call_llm(prompt="翻译这句话", system_prompt="你是翻译官")

# 流式调用
async for chunk in call_llm_stream(prompt="写一篇文章"):
    print(chunk.content, end="")
```

**实现逻辑**：
- 统一的 LLM 调用接口
- 自动重试（指数退避）
- 支持流式和非流式
- Token 计数和监控
- 模型 fallback 机制

**共享位置**：`agent_subgraphs/common/llm.py`

---

#### 7. 数据库工具 (Database Tool)

**技术栈**：SQLAlchemy + PostgreSQL / SQLite

**使用方法**：
```python
from agent_subgraphs.common.db import get_db, add_record, query_records

# 获取 session
with get_db() as db:
    # 添加记录
    add_record(db, Contact, {"name": "张三", "phone": "13800138000"})
    # 查询记录
    contacts = query_records(db, Contact, filters={"name": "张三"})
```

**实现逻辑**：
- 统一的 ORM 会话管理
- 标准 CRUD 操作封装
- 支持事务
- 自动错误处理

**共享位置**：`agent_subgraphs/common/db.py`

---

#### 8. 状态基类工具 (State Base Classes)

**技术栈**：TypedDict + 类型注解

**使用方法**：
```python
from agent_subgraphs.common.state import BaseSubgraphState

class ContactState(BaseSubgraphState):
    # 继承基础字段
    contact_data: Optional[dict]
    # 自定义字段...
```

**实现逻辑**：
- 预定义基础状态字段
- 类型安全
- 状态验证
- 状态合并辅助函数

**共享位置**：`agent_subgraphs/common/state.py`

---

### 公共工具目录结构

```
agent_subgraphs/
├── common/                    # 公共工具层
│   ├── __init__.py
│   ├── intent.py            # 意图理解工具
│   ├── human_loop.py        # 人工审核工具
│   ├── format.py             # 格式化输出工具
│   ├── checkpoint.py        # 检查点持久化工具
│   ├── routing.py          # 条件路由工具
│   ├── llm.py              # LLM 调用工具
│   ├── db.py               # 数据库工具
│   ├── state.py            # 状态基类
│   └── prompts/               # 公共提示词模板
│       ├── intent.j2
│       └── format.j2
├── contact/                 # 通讯录子图（简化版，使用公共工具）
├── dictionary/            # 智能词典子图（简化版，使用公共工具）
└── research/             # 研究分析子图（简化版，使用公共工具）
```

---

### 公共配置项

所有子图共享的配置项（在 `.env` 中配置）：

```env
# LLM 配置
LLM_PROVIDER=deepseek
LLM_MODEL=deepseek-chat
LLM_API_KEY=***
LLM_TEMPERATURE=0.7
LLM_MAX_TOKENS=2000

# 数据库配置
DB_URL=postgresql://user:pass@localhost/agent_db

# 检查点配置
CHECKPOINT_DB_URL=sqlite:///checkpoints.db

# 人工审核配置
HUMAN_LOOP_TIMEOUT=3600

# 格式化配置
DEFAULT_OUTPUT_FORMAT=markdown
```

---

### 使用公共工具开发新子图

创建新子图的步骤：

1. **继承状态基类**
```python
from agent_subgraphs.common.state import BaseSubgraphState

class MySubgraphState(BaseSubgraphState):
    my_field: str
```

2. **使用公共意图理解**
```python
from agent_subgraphs.common.intent import parse_intent

def intent_node(state: MySubgraphState) -> MySubgraphState:
    result = parse_intent(state["user_input"], ["my_intents])
    state.update(result)
    return state
```

3. **使用公共人工审核**
```python
from agent_subgraphs.common.human_loop import human_approval_node

def my_workflow(state: MySubgraphState) -> MySubgraphState:
    return human_approval_node(state)
```

4. **使用公共格式化输出**
```python
from agent_subgraphs.common.format import format_output

def format_node(state: MySubgraphState) -> MySubgraphState:
    state["final_result"] = format_output("my_template", state)
    return state
```

---

## 📑 目录导航

- [核心功能](#-核心功能) - 三大子图功能和技术特性
- [技术架构](#️-技术架构) - 技术栈、子图架构图、数据流
- [子图设计](#-子图设计) - 三个核心子图的详细说明
- [状态管理](#-状态管理) - 主状态和子状态定义
- [安全与边界](#️-安全与边界) - 安全机制和边界控制
- [快速开始](#-快速开始) - 开发环境搭建
- [实现指南](#-实现指南) - 子图开发、工具集成
- [未来规划](#-未来规划) - 多模态、流式输出等

---

## 🎯 核心功能

### 三大核心子图

| 子图模块 | 功能概述 | 关键特性 |
|---------|---------|---------|
| **通讯录子图** | 联系人 CRUD、邮件读取与审核、外发邮件、智能嗅探 | 人工审核强制、敏感信息加密、IMAP 邮箱绑定 |
| **智能词典子图** | 翻译、查词、每日一词、专业名词提炼、生词本管理 | 联想记忆法、艾宾浩斯遗忘曲线、Anki 导出 |
| **研究分析子图** | 联网搜索、报告生成、引用溯源、可视化图表 | 人工干预点、可定制报告结构、引用验证 |

### 通用机制

- ✅ **人工审核（Human-in-the-loop）**：通用节点，用于邮件发送、重要操作前的确认
- ✅ **自动联系人嗅探**：对话中出现"人名+联系方式"时，主动询问是否保存
- ✅ **流式输出**：所有 LLM 生成内容均采用流式传输，提升交互体验
- ✅ **长期记忆**：PostgreSQL + pgvector 实现持久化记忆和语义检索

---

## 🏗️ 技术架构

### 技术栈总览

| 层级 | 组件 | 技术选型 | 版本 | 说明 |
|------|------|---------|------|------|
| **Agent 框架** | 工作流编排 | LangGraph + LangChain | latest | 子图架构，状态机驱动 |
| **LLM 服务** | 模型调用 | 智谱 AI / DeepSeek / 本地模型 | latest | 多模型路由 |
| **向量数据库** | 语义检索 | Qdrant / pgvector | v1.12+ | 对话记忆、联系人语义索引 |
| **关系数据库** | 结构化存储 | PostgreSQL | v16 | 联系人、生词本、邮件配置 |
| **邮件协议** | IMAP/SMTP | `imaplib` / `smtplib` | 内置 | 邮件读取和发送 |
| **后端框架** | API 服务 | FastAPI + Uvicorn | v0.115+ | 子图执行、状态管理 |

### 主图架构流程图

```mermaid
graph TB
    Start[START] --> Intent[意图分类节点]
    
    Intent -->|contact| ContactSubgraph[通讯录子图]
    Intent -->|dictionary| DictSubgraph[智能词典子图]
    Intent -->|research| ResearchSubgraph[研究分析子图]
    Intent -->|chat| ChatNode[普通对话节点]
    
    ContactSubgraph --> Final[最终响应]
    DictSubgraph --> Final
    ResearchSubgraph --> Final
    ChatNode --> Final
    
    Final --> End[END]
    
    style Start fill:#e1f5ff
    style Intent fill:#fff4e1
    style ContactSubgraph fill:#e8f5e9
    style DictSubgraph fill:#f3e5f5
    style ResearchSubgraph fill:#ffebee
    style Final fill:#fff9c4
```

### 子图架构总览

```mermaid
graph TB
    MainGraph[主图<br/>MainState]
    
    MainGraph --> ContactSub[通讯录子图<br/>ContactSubState]
    MainGraph --> DictSub[词典子图<br/>DictSubState]
    MainGraph --> ResearchSub[研究子图<br/>ResearchSubState]
    
    ContactSub --> ContactNodes[内部节点<br/>parse_intent<br/>add_contact<br/>list_contacts<br/>generate_draft<br/>human_approval<br/>send_email]
    DictSub --> DictNodes[内部节点<br/>translate<br/>lookup<br/>extract_terms<br/>daily_word]
    ResearchSub --> ResearchNodes[内部节点<br/>decompose<br/>web_search<br/>extract_info<br/>generate_report]
    
    ContactNodes --> PG[(PostgreSQL<br/>联系人)]
    DictNodes --> PG2[(PostgreSQL<br/>生词本)]
    ResearchNodes --> Qdrant[(Qdrant<br/>向量检索)]
    
    style MainGraph fill:#e1f5ff
    style ContactSub fill:#e8f5e9
    style DictSub fill:#f3e5f5
    style ResearchSub fill:#ffebee
```

### 状态传递机制

```
主状态 (MainState)
  │
  ├─→ input: {user_input: messages[-1].content}
  │
  ▼
子图状态 (SubState)
  │
  ├─→ 内部处理...
  │
  ▼
output: {messages: [AIMessage(final_result)], last_action: sub_state}
  │
  ▼
主状态更新
```

---

## 📂 项目结构

```
Agent1/
├── agent_subgraphs/              # LangGraph 子图模块
│   ├── __init__.py
│   ├── contact/                  # 通讯录子图
│   │   ├── README.md
│   │   ├── __init__.py
│   │   ├── state.py             # 子图状态定义
│   │   ├── graph.py             # 子图构建器
│   │   ├── nodes.py             # 子图节点实现
│   │   ├── tools.py             # 子图工具集
│   │   └── prompts.py           # 提示词模板
│   ├── dictionary/              # 智能词典子图
│   │   ├── README.md
│   │   ├── __init__.py
│   │   ├── state.py
│   │   ├── graph.py
│   │   ├── nodes.py
│   │   ├── tools.py
│   │   └── prompts.py
│   └── research/               # 研究分析子图
│       ├── README.md
│       ├── __init__.py
│       ├── state.py
│       ├── graph.py
│       ├── nodes.py
│       ├── tools.py
│       └── prompts.py
├── backend/                     # 现有后端模块
│   └── app/
│       ├── graph/               # 主图构建
│       │   ├── graph_builder.py  # 主图 + 子图集成
│       │   └── state.py         # 主状态定义
│       └── ...
└── ...
```

---

## 🎯 状态管理

### 主状态定义 (MainState)

```python
from typing import TypedDict, List, Optional, Annotated
from langchain_core.messages import BaseMessage
from langgraph.graph import add_messages

class MainState(TypedDict):
    messages: Annotated[List[BaseMessage], add_messages]
    intent: str                      # 顶层意图：contact / dictionary / research / chat
    sub_intent: str                  # 细分意图
    
    # 工具通用
    tool_call: Optional[dict]       # 当前要执行的工具调用
    tool_result: str
    
    # 控制流
    next_node: str
    human_feedback: Optional[str]    # 用于挂起重启
    
    # 子图结果
    last_contact_action: Optional[dict]
    last_dict_action: Optional[dict]
    last_research_action: Optional[dict]
```

### 状态映射函数

```python
# 通讯录子图输入映射
def contact_input_mapper(state: MainState) -> dict:
    return {
        "user_input": state["messages"][-1].content,
    }

# 通讯录子图输出映射
def contact_output_mapper(sub_state: dict, original: MainState) -> dict:
    return {
        "messages": [AIMessage(content=sub_state["final_result"])],
        "last_contact_action": sub_state,
    }
```

---

## 🎯 主图实现

### 主图构建器

```python
from langgraph.graph import StateGraph, START, END
from agent_subgraphs.contact import build_contact_subgraph
from agent_subgraphs.dictionary import build_dict_subgraph
from agent_subgraphs.research import build_research_subgraph

def build_main_graph() -> StateGraph:
    main_graph = StateGraph(MainState)
    
    # 添加子图节点
    main_graph.add_node(
        "contact_module",
        build_contact_subgraph(),
        input=contact_input_mapper,
        output=contact_output_mapper,
    )
    main_graph.add_node(
        "dict_module",
        build_dict_subgraph(),
        input=dict_input_mapper,
        output=dict_output_mapper,
    )
    main_graph.add_node(
        "research_module",
        build_research_subgraph(),
        input=research_input_mapper,
        output=research_output_mapper,
    )
    main_graph.add_node("chat_node", chat_node)
    main_graph.add_node("final_response", final_response_node)
    
    # 主图路由
    main_graph.add_conditional_edges(
        START,
        route_main_intent,
        {
            "contact": "contact_module",
            "dictionary": "dict_module",
            "research": "research_module",
            "chat": "chat_node",
        }
    )
    
    # 所有路径汇聚到最终响应
    main_graph.add_edge("contact_module", "final_response")
    main_graph.add_edge("dict_module", "final_response")
    main_graph.add_edge("research_module", "final_response")
    main_graph.add_edge("chat_node", "final_response")
    main_graph.add_edge("final_response", END)
    
    return main_graph.compile()

def route_main_intent(state: MainState) -> str:
    """顶层意图分类"""
    user_input = state["messages"][-1].content
    # 使用 LLM 分类
    # 返回 contact / dictionary / research / chat
```

---

## 🔒 安全与边界

### 安全机制

| 风险点 | 对策 | 实现位置 |
|--------|------|---------|
| 邮箱密码泄露 | 使用环境变量存储，永不写入日志 | `agent_subgraphs/contact/tools.py` |
| 恶意邮件发送 | 强制人工审核，单日发送数量限制 | 人工审核节点 |
| 联系人隐私 | 向量检索结果脱敏展示，仅交互时完整显示 | 通讯录子图节点 |
| 搜索内容安全 | 过滤成人内容，屏蔽高风险域名 | 研究子图搜索工具 |
| 敏感词输出 | 流式输出后处理过滤 | 最终响应节点 |

### 人工审核节点

```python
from langgraph.graph import interrupt

def human_approval_node(state: dict) -> dict:
    """人工审核节点：挂起图，等待外部输入"""
    pending_action = state["pending_action"]
    
    # 触发中断，等待外部通过 update_state 传入 human_feedback
    return interrupt(
        {
            "type": "human_approval",
            "message": f"请确认操作：{pending_action}",
            "options": ["确认", "修改", "取消"],
        }
    )
```

---

## 🚀 快速开始

### 环境配置

```bash
# 激活虚拟环境
source venv/bin/activate

# 安装依赖（新增）
pip install langgraph langchain-experimental
```

### 配置文件

在 `.env` 中新增：

```env
# 通讯录模块
IMAP_SERVER=imap.qq.com
IMAP_PORT=993
SMTP_SERVER=smtp.qq.com
SMTP_PORT=587
EMAIL_USER=your_email@qq.com
EMAIL_PASSWORD=your_auth_code

# 词典模块
DEEPL_API_KEY=your_deepl_key
YOUDAO_API_KEY=your_youdao_key

# 研究模块
SEARCH_API_KEY=your_search_key
```

### 运行测试

```python
from backend.app.graph.graph_builder import build_main_graph

# 编译主图
graph = build_main_graph()

# 调用子图
result = graph.invoke({
    "messages": [HumanMessage(content="添加张三电话 13800138000")]
})

print(result["messages"][-1].content)
```

---

## 📖 实现指南

### 添加新子图

1. 在 `agent_subgraphs/` 下创建新文件夹
2. 创建 `state.py` 定义子图状态
3. 创建 `nodes.py` 实现子图节点
4. 创建 `graph.py` 构建子图
5. 在主图 `graph_builder.py` 中注册新子图

### 子图开发最佳实践

- ✅ 子图拥有独立的状态，避免与主状态命名冲突
- ✅ 使用 `input`/`output` 映射函数进行状态转换
- ✅ 子图内部节点之间直接连接，主图只负责路由到子图入口
- ✅ 将工具封装在子图内部，通过节点调用
- ✅ 提供子图级别的单元测试

---

## 🎯 未来规划

### Phase 1: 基础功能（当前）

- [ ] 通讯录子图完整实现
- [ ] 智能词典子图完整实现
- [ ] 研究分析子图完整实现
- [ ] 主图集成和状态管理

### Phase 2: 增强功能

- [ ] 流式输出改造（所有 LLM 调用）
- [ ] 多模态语音输入（STT）
- [ ] 可视化图表生成
- [ ] Anki 生词本导出

### Phase 3: 高级特性

- [ ] 智能家居控制子图
- [ ] 日程管理子图
- [ ] 更多工具集成

---

## 📚 相关文档

- [通讯录子图 README](./contact/README.md) - 详细了解通讯录模块
- [智能词典子图 README](./dictionary/README.md) - 详细了解词典模块
- [研究分析子图 README](./research/README.md) - 详细了解研究模块
- [主项目 README](../README.md) - 了解整体架构