LangGraph は、複雑なマルチターン対話システムを構築するための強力なフレームワークです。本稿では、LangGraph を活用した客服 Agent の構築方法、そして状態管理のアーキテクチャについて我都pload実践的なコードを交えながら解説します。
マルチターン対話とは？
客服シナリオでは、ユーザーが複数回の会話を経て問題を解決する必要があります。例えば电子商务の注文查询来说明：
- 对话1：ユーザーが「注文状況を確認したい」と发言
- 对话2：システムが「注文番号を教えてください」と询问
- 对话3：ユーザーが「A12345」と回答
- 对话4：システムが注文の詳細を案内
このような连续的对话を持続的に管理するために、LangGraph の状態管理が重要な役割を果たします。
2026年 最新APIコスト比較
客服 Agent の運用において、成本最適化は重要な検討事項です。主要なLLM プロバイダの2026年output价格为以下にまとめます：
| モデル | Output価格 ($/MTok) | 月間1000万トークン辺コスト |
|---|---|---|
| GPT-4.1 | $8.00 | $80,000 |
| Claude Sonnet 4.5 | $15.00 | $150,000 |
| Gemini 2.5 Flash | $2.50 | $25,000 |
| DeepSeek V3.2 | $0.42 | $4,200 |
DeepSeek V3.2 は GPT-4.1 と比较して约19分の1の成本で使えます。一方で、品質と可用性のバランスも重要です。
HolySheep AI の導入メリット
HolySheep AI（今すぐ登録）は、以下の点で優れています：
- 业界最安値級：DeepSeek V3.2 が $0.42/MTok（GPT-4.1比85%节省）
- 微低レイテンシ：平均 <50ms の応答速度
- 简单な结算：WeChat Pay / Alipay 対応
- 始めやすい：登録すれば無料クレジット进呈
LangGraph による状态管理アーキテクチャ
LangGraph では、StateGraph という概念を使って对话の状態を管理します。各狀態は以下のような构造になります：
プロジェクト構造
customer-service-agent/
├── app.py # メインアプリケーション
├── graph/
│ ├── __init__.py
│ ├── state.py # 状态定义
│ ├── nodes.py # ノード関数
│ └── edges.py # エッジ定義
├── tools/
│ ├── __init__.py
│ ├── order.py # 注文查询工具
│ └── product.py # 商品検索工具
├── config.py # 設定ファイル
└── requirements.txt
環境のセットアップ
# requirements.txt
langgraph==0.0.20
langchain-core==0.1.10
langchain-openai==0.0.5
pydantic==2.5.0
python-dotenv==1.0.0
# config.py
import os
HolySheep AI 設定（絶対にapi.openai.comを使用しないこと）
HOLYSHEEP_API_KEY = os.getenv("HOLYSHEEP_API_KEY", "YOUR_HOLYSHEEP_API_KEY")
HOLYSHEEP_BASE_URL = "https://api.holysheep.ai/v1"
利用するモデル設定
DeepSeek V3.2: $0.42/MTok - コスト重視
Gemini 2.5 Flash: $2.50/MTok - バランス型
MODEL_CONFIG = {
"deepseek": {
"model": "deepseek-chat",
"temperature": 0.7,
"max_tokens": 2000
},
"gemini": {
"model": "gemini-2.0-flash",
"temperature": 0.7,
"max_tokens": 2000
}
}
コスト最適化：月はDeepSeek、复杂クエリはGemini
DEFAULT_MODEL = "deepseek"
COMPLEX_MODEL = "gemini"
状態の定義
# graph/state.py
from typing import TypedDict, Annotated, Sequence
from langchain_core.messages import BaseMessage, HumanMessage, AIMessage
from langgraph.graph import add_messages
import operator
class CustomerServiceState(TypedDict):
"""客服Agentの状態定義"""
# メッセージ履歴（会話の全文）
messages: Annotated[Sequence[BaseMessage], add_messages]
# ユーザー情報
user_id: str | None
user_name: str | None
# 注文関連の状態
current_order_id: str | None
order_status: str | None
# ナビゲーション状態
current_intent: str | None # "check_order", "cancel", "refund", "product_search"
pending_info: dict # 収集中の情報
# フロー制御
requires_verification: bool
verification_attempts: int
max_verification_attempts: int
# メタデータ
conversation_turns: int
last_action: str | None
def create_initial_state() -> CustomerServiceState:
"""初期状态的生成"""
return CustomerServiceState(
messages=[],
user_id=None,
user_name=None,
current_order_id=None,
order_status=None,
current_intent=None,
pending_info={},
requires_verification=True,
verification_attempts=0,
max_verification_attempts=3,
conversation_turns=0,
last_action=None
)
ツールの定義
# tools/order.py
from langchain_core.tools import tool
from typing import Optional
import re
@tool
def search_order(order_id: str) -> dict:
"""注文IDで注文情報を検索"""
# 实际実装ではDBや外部APIを呼び出す
mock_database = {
"A12345": {
"order_id": "A12345",
"status": "shipped",
"item": "ワイヤレスヘッドフォン",
"price": 15000,
"shipping_date": "2026-01-15",
"tracking": "YT1234567890"
},
"B67890": {
"order_id": "B67890",
"status": "processing",
"item": "USB-C ケーブル",
"price": 2500,
"shipping_date": None,
"tracking": None
}
}
if order_id in mock_database:
return {
"success": True,
"data": mock_database[order_id]
}
return {
"success": False,
"error": "注文が見つかりません"
}
@tool
def cancel_order(order_id: str, reason: str) -> dict:
"""注文をキャンセル"""
# 実装省略（實際にはDB更新処理）
return {
"success": True,
"message": f"注文 {order_id} をキャンセルしました",
"reason": reason
}
@tool
def verify_customer(tel: str, email: str) -> dict:
"""顧客本人확인"""
# 本人確認逻辑（實際にはDB照合