本文以"每周自动汇总客户邮件反馈并生成报告"为例，介绍了如何使用LangChain的Chain、Agent、Tool和Memory等模块构建自动化工作流。文章提供了从安装依赖、定义工具、构建分析链到组装完整工作流的代码实现，并介绍了使用APScheduler进行自动化调度的方法。最后给出了部署建议和扩展需求解决方案，帮助读者实现无人值守的自动化工作流。
使用LangChain 实现自动化工作流，核心在于利用其Chain（链）、Agent（智能体）、Tool（工具）和Memory（记忆）等模块，将多个步骤串联成一个可自动执行的流程。
下面我将以一个真实场景为例，手把手教你从零构建一个自动化工作流，并提供完整代码 + 中文注释 + 部署建议。
🎯 场景示例：
“每周一上午9点，自动汇总上周客户邮件中的反馈，生成分析报告，并通过企业微信/邮件发送给团队。”
这个任务涉及：
- 读取邮箱（或数据库）中的客户邮件
- 提取关键反馈内容
- 分类（如“功能建议”“Bug 报告”“表扬”）
- 生成结构化周报
- 发送通知
✅ 实现思路（LangChain 工作流架构）
[触发] → [数据获取 Tool] → [LLM 分析 Chain] → [报告生成 Chain] → [通知 Tool]我们将用LangChain Agent + 自定义 Tools + Sequential Chain来实现。
第一步：安装依赖
pip install langchain langchain-openai langchain-community beautifulsoup4 imaplib2 requests如果你用国产模型（如 DeepSeek、通义千问），可替换为对应包，如 或 。第二步：定义自定义 Tools
Tools 是 LangChain Agent 调用外部能力的“接口”。
示例：读取模拟邮件数据（简化版）
# tools.py from langchain_core.tools import tool import json # 模拟从数据库/邮箱获取上周客户邮件 @tool def fetch_customer_feedbacks() -> str: """获取上周所有客户邮件反馈内容""" # 实际项目中这里会连接 IMAP / Gmail API / 数据库 feedbacks = [ "用户A：登录页面加载太慢，建议优化。", "用户B：很喜欢新功能，但希望增加导出PDF选项。", "用户C：支付失败，错误码500。", "用户D：客服响应很快，点赞！" ] return json.dumps(feedbacks, ensure_ascii=False)示例：发送通知（模拟）@tool def send_weekly_report(report: str) -> str: """将周报发送给团队（通过邮件/企业微信等）""" print("📧 周报已发送：") print(report) return "发送成功"第三步：构建分析与生成 Chain
# chains.py from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser llm = ChatOpenAI( api_key="你的API密钥", model="gpt-4o", # 或 deepseek-chat / qwen-max temperature=0.3 ) # Step 1: 分类反馈 categorize_prompt = ChatPromptTemplate.from_template( "你是一个产品分析师。请将以下客户反馈分类为：'功能建议'、'Bug报告'、'表扬'。" "输出格式：JSON 列表，每项包含 'content' 和 'category'。\n\n反馈内容：{feedbacks}" ) categorize_chain = categorize_prompt | llm | StrOutputParser() # Step 2: 生成周报 report_prompt = ChatPromptTemplate.from_template( "基于以下分类后的客户反馈，撰写一份简洁的产品周报，包含：" "1. 总反馈数；2. 各类别数量；3. 关键问题摘要；4. 建议行动项。\n\n{categorized_data}" ) report_chain = report_prompt | llm | StrOutputParser()第四步：组装完整工作流（Agent or Sequential Chain）
方案 A：用Sequential Chain（推荐用于固定流程）
# workflow.py from langchain.chains import SequentialChain from tools import fetch_customer_feedbacks from chains import categorize_chain, report_chain, send_weekly_report # 手动串联（更可控） def run_weekly_workflow(): # 1. 获取反馈 raw_feedbacks = fetch_customer_feedbacks.invoke({}) # 2. 分类 categorized = categorize_chain.invoke({"feedbacks": raw_feedbacks}) # 3. 生成报告 report = report_chain.invoke({"categorized_data": categorized}) # 4. 发送 result = send_weekly_report.invoke(report) return result # 运行 if __name__ == "__main__": run_weekly_workflow()方案 B：用from langchain import hub from langchain.agents import create_openai_tools_agent, AgentExecutor from langchain_openai import ChatOpenAI tools = [fetch_customer_feedbacks, send_weekly_report] # 拉取社区提示词模板 prompt = hub.pull("hwchase17/openai-tools-agent") llm = ChatOpenAI(model="gpt-4o", temperature=0) agent = create_openai_tools_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 启动指令 agent_executor.invoke({ "input": "请执行每周客户反馈分析任务：先获取反馈，然后让LLM分类并生成报告，最后发送报告。" })⚠️ 注意：Agent 更灵活，但可能“绕路”；Sequential Chain 更稳定，适合确定性流程。第五步：自动化调度（每天/每周自动运行）
使用APScheduler或cron：
# scheduler.py from apscheduler.schedulers.blocking import BlockingScheduler from workflow import run_weekly_workflow scheduler = BlockingScheduler() # 每周一上午9点执行 scheduler.add_job(run_weekly_workflow, 'cron', day_of_week='mon', hour=9, minute=0) print("⏰ 自动化工作流已启动...") scheduler.start()部署到服务器后，即可无人值守运行。💡
| 需求 | 解决方案 |
|---|---|
| 处理真实邮件 | 用imaplib+ OAuth2 连接 Gmail/Outlook |
| 支持中文模型 | 替换 LLM 为Tongyi/DeepSeek/Moonshot |
| 可视化监控 | 用 LangSmith（LangChain 官方平台）追踪每一步 |
| 错误重试 | 在 Chain 中加入RunnableRetry |
| 长期记忆 | 接入向量数据库（如 Chroma）存储历史报告 |
✅ LangChain 自动化工作流四要素
Tools
：封装外部能力（API、数据库、文件等）
Chains
：编排 LLM 处理逻辑（分类、总结、生成）
Memory（可选）
：记住上下文（如历史反馈趋势）
Scheduler
：定时触发，实现“无人值守”
最后
我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
