用 LangGraph 实现「评论洞察」：工具定义与智能体代码

市场与品牌人员经常要做「评论洞察」这类事：从用户评论中提炼卖点与痛点。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	评论洞察（`review-mining`）
作用	从用户评论中提炼卖点与痛点
输入	用户评论
输出	洞察报告
形态	带脚本
风险	低
适用人群	市场与品牌人员

处理流程分四步：

清洗评论
按主题聚类
提炼好评与差评点
给出营销与产品建议

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；风险较低，但输出仍需快速过目再使用。

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 review_mining_precheck(content: str) -> str:
    """检查用户评论是否齐全，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=[review_mining_precheck],
    prompt="你负责评论洞察：清洗评论；按主题聚类；提炼好评与差评点；给出营销与产品建议。",
)
out = agent.invoke({"messages": [("user", "这是用户评论：...")]})

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」，让智能体在市场与品牌人员提出相关请求时能对上号；二是约束部分要写进「宣传表述要真实、可证明，遵守广告相关规定」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

假设你在内容平台与投放后台中发出这样的请求（虚构示例）：

用评论洞察技能处理这份用户评论，输出洞察报告。

智能体识别到任务与「评论洞察」相关后，会依次清洗评论、按主题聚类、提炼好评与差评点、给出营销与产品建议。最终交付洞察报告，并在末尾列出需要人工确认的内容。你的工作是对照原始用户评论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用户评论，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，导致每次输出的洞察报告结构不同。
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。