用 LangGraph 实现「死锁分析」：工具定义与智能体代码

后端与数据工程师经常要做「死锁分析」这类事：根据死锁日志分析原因并给出预防建议。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

本文介绍如何在 LangChain / LangGraph 工具 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	死锁分析（`deadlock-analysis`）
作用	根据死锁日志分析原因并给出预防建议
输入	死锁日志
输出	原因分析
形态	纯提示词
风险	中
适用人群	后端与数据工程师

处理流程分四步：

解析事务与锁
还原加锁顺序
找出冲突点
建议调整顺序或粒度

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。

在 LangChain / LangGraph 工具中是什么形态

LangChain 用 @tool 装饰器把函数变成工具，LangGraph 提供预置的 ReAct 智能体，也可以自己画状态图，把技能拆成可观察、可重试的节点。

代码运行在你的环境中；流程复杂时建议从预置智能体起步，再逐步换成自定义图。

示例配置

# 示意代码：LangChain 工具 + LangGraph 预置 ReAct 智能体
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

@tool
def deadlock_analysis_precheck(content: str) -> str:
    """检查死锁日志是否齐全，返回缺失项。"""
    return "ok" if content.strip() else "输入为空"

model = init_chat_model("你的模型标识")
agent = create_react_agent(
    model, tools=[deadlock_analysis_precheck],
    prompt="你负责死锁分析：解析事务与锁；还原加锁顺序；找出冲突点；建议调整顺序或粒度。",
)
out = agent.invoke({"messages": [("user", "这是死锁日志：...")]})

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在后端与数据工程师提出相关请求时能对上号；二是约束部分要写进「默认使用只读连接，任何写操作都要人工确认」这类领域规矩，避免智能体自作主张。

安装与启用步骤

安装 LangChain 与 LangGraph
用 @tool 定义预检查、读取等工具
用预置智能体快速跑通
需要固定流程时改为自定义状态图，每一步一个节点
接入追踪工具观察每一步

实操：一次完整的运行

假设你在数据库客户端与查询工具中发出这样的请求（虚构示例）：

用死锁分析技能处理这份死锁日志，输出原因分析。

智能体识别到任务与「死锁分析」相关后，会依次解析事务与锁、还原加锁顺序、找出冲突点、建议调整顺序或粒度。最终交付原因分析，并在末尾列出需要人工确认的内容。你的工作是对照原始死锁日志抽查两三处关键信息，确认无误后再使用。

测试与验收

对每个节点单独写测试，再跑一次端到端用例。

针对这个技能，还建议额外准备：

一份信息齐全的标准死锁日志，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

一开始就设计复杂的多节点图，调试成本高。
工具 docstring 缺失，模型不知道如何使用。
只写了步骤，没写交付格式，导致每次输出的原因分析结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。