这次我们来看一个医疗问诊 Agent 的实现案例，它基于 LangChain、LangGraph 和 LangSmith 三大组件构建。这个项目不是简单的概念介绍，而是通过一个具体的应用场景，让你直观理解这三个工具各自扮演什么角色、如何协同工作，以及如何从零搭建一个能实际运行的 AI Agent。

对于开发者而言，最关心的往往是：这套技术栈学习成本高吗？本地环境能否跑起来？有没有现成的代码和清晰的步骤可以 follow？本文将围绕一个模拟的医疗问诊 Agent，拆解其核心架构，并提供从环境搭建、代码实现到效果监控的完整实操指南。无论你是想入门 AI Agent 开发，还是希望将 LangChain 等工具用于实际项目，这篇文章都能提供一条清晰的路径。

1. 核心能力速览：技术栈定位与分工

在深入代码之前，我们先快速厘清 LangChain、LangGraph 和 LangSmith 在这个 Agent 中的核心职责，这有助于理解后续的每一个设计决策。

组件	角色定位	在医疗问诊 Agent 中的具体作用	关键特点
LangChain	基础编排框架	提供与大模型（如 OpenAI GPT、通义千问等）对话的基础能力，管理提示词模板、记忆（Memory）、工具（Tools）的调用链。	模块化设计，简化了与大模型交互的复杂度，是构建 Agent 的“地基”。
LangGraph	工作流与状态机引擎	定义问诊流程（如：症状收集 -> 初步判断 -> 追问细节 -> 生成建议），管理 Agent 在不同状态间的跳转和循环。	支持复杂、有状态的多步骤工作流，用“图”的概念清晰定义执行路径，解决传统链式调用难以处理循环和分支的问题。
LangSmith	开发与监控平台	全程跟踪 Agent 每一次的调用（LLM、工具）、记录输入输出、评估性能、帮助调试和优化提示词。	提供可视化追踪链路，是提升 Agent 可靠性和调试效率的“望远镜”和“仪表盘”。

这个技术组合的核心价值在于 ：LangChain 让你能快速“搭起来”，LangGraph 让你能精细地“控制流程”，而 LangSmith 则让你能清晰地“看到问题并改进”。接下来，我们将基于这个分工，构建一个具体的医疗问诊 Agent。

2. 项目目标与使用边界

我们的目标是构建一个 演示性质 的医疗问诊 AI Agent。它能够模拟以下流程：

1. 主动询问 ：引导用户描述主要症状。
2. 智能追问 ：根据初始症状，自动提出相关问题以收集关键信息（如持续时间、疼痛性质、既往病史等）。
3. 初步分析 ：基于收集的信息，提供可能的疾病方向或健康建议。
4. 强调边界 ：始终给出免责声明，强调本 Agent 不能替代专业医疗诊断。

适用场景与读者 ：

• AI 应用开发者 ：希望学习如何将 LangChain/LangGraph 用于垂直领域。
• 技术决策者 ：评估此类技术栈构建复杂业务逻辑的可行性。
• 学生与研究者 ：需要可运行的案例进行学习和实验。

重要边界与免责声明 ：

• 非医疗诊断工具 ：本项目生成的任何内容均为基于模式识别的信息整合与推理演示， 绝对不能 用于真实的医疗诊断、治疗或健康决策。
• 数据与隐私 ：示例中不使用任何真实患者数据。在实际应用中，处理健康信息必须严格遵守相关法律法规（如 HIPAA、GDPR 等）。
• 模型依赖性 ：Agent 的表现严重依赖底层大模型的能力和训练数据。需要针对专业领域进行精调（Fine-tuning）或检索增强生成（RAG）才能达到实用水平。

3. 环境准备与依赖安装

我们将使用 Python 作为开发语言。请确保你的环境满足以下条件。

3.1 基础环境要求

• 操作系统 ：Windows 10/11, macOS, 或 Linux (Ubuntu 20.04+ 推荐)。
• Python 版本 ：3.8 至 3.11（建议使用 3.10 以获得最佳兼容性）。
• 包管理工具 ： pip 或 conda 。
• 网络 ：能够访问互联网，用于安装包和调用大模型 API（如 OpenAI）。
• 硬件 ：无特殊 GPU 要求，因为主要调用云端 API。本地运行仅需普通 CPU 和足够内存（建议 8GB 以上）。

3.2 核心依赖安装

创建一个新的 Python 虚拟环境是良好的实践。然后安装以下核心库：

# 创建并激活虚拟环境 (以 conda 为例)
conda create -n medical-agent python=3.10
conda activate medical-agent

# 安装 LangChain 核心库、LangGraph 和 LangSmith SDK
pip install langchain langgraph langsmith

# 安装 OpenAI 库（作为本例的 LLM 提供商）
pip install openai

# 可选但推荐：安装环境变量管理库
pip install python-dotenv

版本兼容性说明 ：LangChain 生态更新较快，建议查看官方文档锁定主要版本。例如：

pip install "langchain>=0.1.0,<0.2.0" "langgraph>=0.0.30,<0.1.0"

3.3 配置 API 密钥与环境变量

本项目需要调用大模型 API（例如 OpenAI）。为了安全，切勿将密钥硬编码在代码中。

1. 在项目根目录创建 .env 文件。
2. 填入你的 API 密钥：

   # .env 文件内容
   OPENAI_API_KEY=sk-your-openai-api-key-here
   LANGCHAIN_API_KEY=ls-your-langsmith-api-key-here  # 如需使用 LangSmith 追踪功能
   LANGCHAIN_TRACING_V2=true
   LANGCHAIN_PROJECT=Medical-Diagnosis-Agent-Demo # 你的 LangSmith 项目名
   

3. 在 Python 代码开头加载环境变量：

   import os
   from dotenv import load_dotenv
   load_dotenv()  # 加载 .env 文件中的变量
   
   openai_api_key = os.getenv("OPENAI_API_KEY")
   # 如果设置了 LangSmith 密钥，LangChain 会自动将运行记录发送到平台
   

4. 医疗问诊 Agent 的 LangChain 基础构建

我们首先使用 LangChain 搭建 Agent 的核心“大脑”和“工具”。

4.1 定义工具（Tools）

工具是 Agent 可以执行的动作。在这个问诊场景中，我们可以定义一些模拟的“医学知识查询”工具。

from langchain.tools import tool
from typing import Optional

@tool
def search_medical_library(symptom: str, keyword: Optional[str] = None) -> str:
    """
    模拟搜索医学知识库。根据症状关键词查找相关信息。
    
    Args:
        symptom: 主要症状描述。
        keyword: 可选的具体关键词。
    
    Returns:
        返回模拟的医学知识摘要。
    """
    # 这里应该是连接真实医学数据库的代码，此处为演示返回模拟数据
    knowledge_base = {
        "headache": "常见原因包括紧张性头痛、偏头痛、感冒或流感、视力疲劳等。严重或突发剧烈头痛需警惕脑血管疾病。",
        "fever": "发热是身体对感染的常见反应。需关注体温、持续时间、是否伴有寒战、皮疹等其他症状。",
        "cough": "咳嗽可分为干咳和湿咳（有痰）。可能原因包括呼吸道感染、过敏、哮喘或胃食管反流等。"
    }
    
    # 简单的关键词匹配逻辑
    for key, info in knowledge_base.items():
        if key in symptom.lower():
            return f"根据医学知识库，关于“{symptom}”：{info}"
    
    return f"关于“{symptom}”的通用信息：建议关注症状的持续时间、严重程度、伴随症状，并及时记录。"

@tool
def calculate_bmi(weight_kg: float, height_m: float) -> str:
    """计算身体质量指数 (BMI)。"""
    bmi = weight_kg / (height_m ** 2)
    category = "体重过轻" if bmi < 18.5 else "正常范围" if bmi < 25 else "超重" if bmi < 30 else "肥胖"
    return f"您的 BMI 指数为 {bmi:.1f}，属于“{category}”。（注：此为通用筛查工具，个体情况请咨询医生）"

4.2 构建提示词模板与 LLM

我们设计一个系统提示词来塑造 Agent 的“医生助手”角色。

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

# 1. 定义系统提示词
system_prompt = """你是一位专业的医疗问诊辅助助手。你的目标是帮助用户清晰描述症状，并提供基于公共医学知识的初步分析参考。
你的核心工作流程是：
1.  首先，友好问候并询问用户的主要不适。
2.  根据用户的描述，主动、有条理地追问关键信息，例如：症状开始时间、具体部位、性质（钝痛/刺痛）、严重程度（1-10分）、伴随症状、已用药物、过敏史、既往病史等。
3.  在获得足够信息后，利用可用的工具（如医学知识库查询）进行信息整合。
4.  最后，给出初步的、可能的方向性建议，并**必须强烈强调**以下免责声明：
    “重要提醒：我是人工智能模型，无法提供医疗诊断。以上信息仅为健康知识科普和症状整理参考，不能替代执业医师的面对面诊疗。如果感到不适，请务必及时前往正规医院就医。”

请始终保持专业、谨慎和富有同理心的态度。"""

# 2. 构建提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    MessagesPlaceholder(variable_name="messages"), # 用于存放历史对话
    ("human", "{input}"), # 用户最新输入
])

# 3. 初始化 LLM（使用 OpenAI GPT-4 或 GPT-3.5-Turbo）
llm = ChatOpenAI(
    model="gpt-3.5-turbo", # 或 "gpt-4"
    temperature=0.2, # 较低的温度使输出更稳定、专业
    api_key=openai_api_key
)

4.3 创建基础 Agent 执行链

将工具、LLM 和提示词组合成一个简单的链。

from langchain.agents import create_react_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory

# 绑定工具
tools = [search_medical_library, calculate_bmi]

# 创建 ReAct 智能体（Reason + Act）
agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=prompt,
)

# 创建记忆，使 Agent 能记住对话历史
memory = ConversationBufferMemory(memory_key="messages", return_messages=True)

# 创建执行器
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True, # 设置为 True 可以在控制台看到详细的推理步骤
    handle_parsing_errors=True # 优雅处理解析错误
)

至此，一个具备基础对话和工具调用能力的医疗问诊 Agent 就完成了。你可以运行一个简单对话测试：

# 测试对话
response = agent_executor.invoke({"input": "你好，我最近有点头痛。"})
print(response["output"])

这个基础版本已经能工作，但它缺乏 结构化的流程控制 。例如，我们无法强制它必须完成“症状收集”阶段才能进入“分析建议”阶段。这就需要 LangGraph 登场。

5. 使用 LangGraph 构建结构化问诊工作流

LangGraph 允许我们将问诊过程定义为一个有向图，节点代表步骤（如“询问症状”、“分析信息”），边代表步骤间的流转条件。

5.1 定义图的状态（State）

首先，我们需要定义一个状态类，用来在整个工作流中传递和存储信息。

from typing import TypedDict, Annotated, List
import operator

class AgentState(TypedDict):
    """
    定义图的状态结构。
    """
    messages: Annotated[List[str], operator.add]  # 对话消息历史
    current_step: str  # 当前步骤，如 "greeting", "symptom_collection", "analysis", "end"
    collected_symptoms: dict  # 收集到的症状信息
    user_input: str  # 用户最新输入
    agent_response: str  # Agent 的响应

5.2 定义图的节点（Nodes）

每个节点是一个函数，接收状态，执行操作，并返回更新后的状态。

from langgraph.graph import END, StateGraph

def greeting_node(state: AgentState) -> AgentState:
    """初始问候节点。"""
    greeting = "您好！我是您的医疗问诊辅助助手。为了更好地帮助您，请告诉我您今天主要哪里不舒服？"
    state["messages"].append(greeting)
    state["agent_response"] = greeting
    state["current_step"] = "symptom_collection"
    return state

def symptom_collection_node(state: AgentState) -> AgentState:
    """症状收集节点。这里可以集成之前的 LangChain Agent 来动态追问。"""
    # 将当前状态和历史消息传递给 LangChain Agent
    history_text = "\n".join(state["messages"][-5:]) # 取最近5条历史
    user_input = state.get("user_input", "")
    
    # 构建给基础 Agent 的输入
    agent_input = f"对话历史：{history_text}\n用户最新输入：{user_input}\n请根据以上信息，进行专业的症状追问或总结。"
    
    # 调用之前创建的 LangChain Agent 执行器
    result = agent_executor.invoke({"input": agent_input})
    
    # 更新状态
    state["messages"].append(f"用户：{user_input}")
    state["messages"].append(f"助手：{result['output']}")
    state["agent_response"] = result['output']
    
    # 简单逻辑判断是否收集到足够信息（实际应更复杂）
    if "建议" in result['output'] or "提醒" in result['output']:
        state["current_step"] = "analysis"
    else:
        state["current_step"] = "symptom_collection" # 继续收集
    
    return state

def analysis_node(state: AgentState) -> AgentState:
    """分析总结节点。调用工具进行信息整合，并生成最终建议。"""
    # 模拟从收集的信息中提取关键词
    symptoms_summary = state.get("collected_symptoms", "用户描述的症状")
    
    # 调用医学知识库工具
    tool_result = search_medical_library.invoke(symptoms_summary)
    
    # 构建最终分析提示
    final_prompt = f"""
    基于以下收集到的症状信息：
    {symptoms_summary}
    
    以及医学知识库查询结果：
    {tool_result}
    
    请生成一份最终的健康建议摘要，并再次附上强烈的免责声明。
    """
    
    analysis_result = llm.invoke(final_prompt)
    
    state["messages"].append(f"助手（分析总结）：{analysis_result.content}")
    state["agent_response"] = analysis_result.content
    state["current_step"] = "end"
    return state

5.3 构建图并定义流转逻辑（Edges）

# 创建图构建器
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("greeting", greeting_node)
workflow.add_node("collect_symptoms", symptom_collection_node)
workflow.add_node("analyze", analysis_node)

# 设置入口点
workflow.set_entry_point("greeting")

# 定义边（流转逻辑）
workflow.add_edge("greeting", "collect_symptoms")

# 从症状收集节点出来的流转：根据状态决定下一步
def route_after_collection(state: AgentState):
    if state["current_step"] == "analysis":
        return "analyze"
    else:
        return "collect_symptoms" # 继续循环收集

workflow.add_conditional_edges(
    "collect_symptoms",
    route_after_collection,
    {
        "analyze": "analyze",
        "collect_symptoms": "collect_symptoms",
    }
)

workflow.add_edge("analyze", END)

# 编译图
app = workflow.compile()

现在，我们得到了一个名为 app 的、具备状态和流程控制的医疗问诊工作流。你可以这样运行它：

# 初始化状态
initial_state = {
    "messages": [],
    "current_step": "start",
    "collected_symptoms": {},
    "user_input": "",
    "agent_response": ""
}

# 运行图（模拟多轮对话）
# 第一轮：问候
result1 = app.invoke(initial_state)
print("助手:", result1["agent_response"])

# 模拟用户输入“头痛”
result1["user_input"] = "从昨天开始，一阵一阵的头痛，主要在太阳穴这边。"
result2 = app.invoke(result1)
print("助手:", result2["agent_response"])

# 继续交互...

通过 LangGraph，我们实现了从“自由对话”到“受控流程”的升级。Agent 现在必须按照我们设计的路径（问候 -> 循环收集症状 -> 分析总结）来运行。

6. 集成 LangSmith 进行追踪、调试与评估

LangSmith 是提升开发效率的关键。它能记录每一次 LLM 调用、工具调用和状态流转，方便我们回溯和优化。

6.1 配置与基本追踪

如果你已按照第 3.3 节设置了环境变量 ( LANGCHAIN_API_KEY 等)，那么 LangChain 和 LangGraph 的调用会自动记录到 LangSmith 平台。

1. 访问 LangSmith 官网 ，使用你的 API 密钥登录。
2. 运行上面的 app.invoke() 代码几次，模拟不同的问诊对话。
3. 在 LangSmith 的 Dashboard 中，你应该能看到一个名为 “Medical-Diagnosis-Agent-Demo” 的项目，里面包含了每次运行的详细记录。

6.2 利用追踪记录进行调试

假设 Agent 在某次追问中问题不准确，你可以：

• 在 LangSmith 中找到对应的运行轨迹（Trace）。
• 点击展开，查看每一步的 输入 和 输出 。
• 重点检查 collect_symptoms 节点中， agent_executor 收到的输入和 LLM 生成的输出。可能是提示词不够清晰，或者工具返回的信息有误导。
• 直接在平台上复制这次运行的提示词和参数，在 Playground 中修改并快速测试，无需重启本地程序。

6.3 评估与改进

LangSmith 支持对运行结果进行人工或自动评估。

• 人工反馈 ：你可以在界面上对某次 Agent 的回复打分（Thumbs Up/Down），并添加评论。
• 自动化评估 ：可以编写评估函数（例如，检查回复中是否包含免责声明、追问的问题是否相关等），让 LangSmith 批量对历史运行记录进行评分，找出薄弱环节。

# 示例：一个简单的自动化评估函数（需在 LangSmith 中配置）
def contains_disclaimer_evaluator(run_output: str) -> dict:
    """评估 Agent 回复是否包含免责声明关键词。"""
    disclaimer_keywords = ["不能替代", "仅供参考", "请及时就医", "执业医师"]
    score = any(keyword in run_output for keyword in disclaimer_keywords)
    return {"score": score, "key": "contains_disclaimer"}

通过 LangSmith 的数据反馈，你可以系统地优化提示词、调整工具、或修改 LangGraph 中的流程逻辑，形成一个“开发-运行-监控-优化”的闭环。

7. 完整代码整合与运行示例

将以上所有部分整合到一个可执行的 Python 脚本中。

# medical_agent_demo.py
import os
from dotenv import load_dotenv
from typing import TypedDict, Annotated, List, Optional
import operator
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langgraph.graph import END, StateGraph

# --- 1. 加载环境变量 ---
load_dotenv()
openai_api_key = os.getenv("OPENAI_API_KEY")

# --- 2. 定义工具 ---
@tool
def search_medical_library(symptom: str, keyword: Optional[str] = None) -> str:
    # ... (工具实现同上，此处省略以节省篇幅)
    pass

@tool
def calculate_bmi(weight_kg: float, height_m: float) -> str:
    # ... (工具实现同上，此处省略以节省篇幅)
    pass

# --- 3. 构建基础 LangChain Agent ---
system_prompt = """...""" # 同上文系统提示词
prompt = ChatPromptTemplate.from_messages([...])
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.2, api_key=openai_api_key)
tools = [search_medical_library, calculate_bmi]
agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
memory = ConversationBufferMemory(memory_key="messages", return_messages=True)
agent_executor = AgentExecutor.from_agent_and_tools(
    agent=agent, tools=tools, memory=memory, verbose=False, handle_parsing_errors=True
)

# --- 4. 定义 LangGraph 状态与节点 ---
class AgentState(TypedDict):
    messages: Annotated[List[str], operator.add]
    current_step: str
    collected_symptoms: dict
    user_input: str
    agent_response: str

def greeting_node(state: AgentState):
    # ... (实现同上)
    pass
def symptom_collection_node(state: AgentState):
    # ... (实现同上)
    pass
def analysis_node(state: AgentState):
    # ... (实现同上)
    pass

# --- 5. 构建并编译工作流图 ---
workflow = StateGraph(AgentState)
workflow.add_node("greeting", greeting_node)
workflow.add_node("collect_symptoms", symptom_collection_node)
workflow.add_node("analyze", analysis_node)
workflow.set_entry_point("greeting")
workflow.add_edge("greeting", "collect_symptoms")

def route_after_collection(state: AgentState):
    if state["current_step"] == "analysis":
        return "analyze"
    else:
        return "collect_symptoms"

workflow.add_conditional_edges("collect_symptoms", route_after_collection, {"analyze": "analyze", "collect_symptoms": "collect_symptoms"})
workflow.add_edge("analyze", END)
app = workflow.compile()

# --- 6. 运行演示 ---
if __name__ == "__main__":
    print("=== 医疗问诊 Agent 演示开始 ===")
    state = {
        "messages": [],
        "current_step": "start",
        "collected_symptoms": {},
        "user_input": "",
        "agent_response": ""
    }
    
    # 启动流程
    state = app.invoke(state)
    print(f"助手: {state['agent_response']}")
    
    # 模拟用户交互
    simulated_conversation = [
        "我头痛，还有点发烧。",
        "从昨天下午开始的，体温大概38度。",
        "没有药物过敏史。"
    ]
    
    for user_say in simulated_conversation:
        state["user_input"] = user_say
        state = app.invoke(state)
        print(f"用户: {user_say}")
        print(f"助手: {state['agent_response']}")
        print("-" * 40)
    
    print("=== 演示结束 ===")
    print("提示：请登录 LangSmith 平台查看本次运行的详细追踪记录。")

运行此脚本，你将在控制台看到结构化的对话流程，同时在 LangSmith 上获得完整的可视化追踪。

8. 常见问题与排查方法

在开发和运行此类 Agent 时，你可能会遇到以下典型问题：

问题现象	可能原因	排查方式	解决方案
ModuleNotFoundError: No module named 'langchain'	依赖未安装或不在当前 Python 环境。	在终端执行 pip list | grep langchain 。	在正确的虚拟环境中，使用 pip install 重新安装所需包。
AuthenticationError 或 Invalid API Key	OpenAI API 密钥错误或未设置。	检查 .env 文件中的 OPENAI_API_KEY ，或 print(os.getenv('OPENAI_API_KEY')) 。	确保密钥正确，且已通过 load_dotenv() 加载。
Agent 回答不符合预期，胡言乱语。	提示词（System Prompt）设计不佳，或 Temperature 参数过高。	在 LangSmith 中检查发送给 LLM 的最终提示词内容。	细化系统提示词，明确角色和步骤；将 temperature 调低（如 0.1-0.3）。
LangGraph 图卡在某个节点无限循环。	节点间的条件边（Conditional Edge）逻辑有误，状态 current_step 未按预期更新。	在节点函数内打印 state['current_step'] ，或在 LangSmith 中查看状态变化。	仔细检查 route_after_collection 等路由函数的逻辑，确保所有可能的状态都有对应的出口。
LangSmith 上看不到追踪记录。	1. API 密钥未设置或错误。 2. 环境变量 LANGCHAIN_TRACING_V2 未设为 true 。 3. 网络问题。	1. 检查环境变量。 2. 检查 LangSmith 控制台是否有新项目创建。	1. 确认 .env 文件正确且被加载。 2. 确保代码中未主动设置 tracing_v2=False 。
工具（Tool）未被调用。	1. 工具描述不够清晰，LLM 无法理解何时调用。 2. Agent 类型选择不当。	在 LangSmith 追踪中查看 LLM 的思考过程，看它是否“考虑”了工具。	1. 优化工具的 description 和参数说明。 2. 尝试使用 create_react_agent 或其他更擅长工具调用的 Agent 类型。
错误： Graph with name 'XX' already exists	重复定义了同名的图。	检查代码，确保 StateGraph 和 compile() 只执行一次。	将图的构建和编译放在函数或主程序入口，避免模块重复导入时多次执行。

9. 最佳实践与进阶方向

基于这个医疗问诊 Agent 的 demo，你可以遵循以下实践并探索更多可能性：

1. 提示词工程 ：医疗领域对准确性要求极高。投入时间精心设计系统提示词和工具描述，是提升效果性价比最高的方式。可以利用 LangSmith 的 Playground 进行 A/B 测试。
2. 迭代开发 ：采用“小步快跑”的方式。先构建一个最小可行产品（如只有症状收集），运行并评估，再逐步添加分析、工具调用、多轮循环等复杂逻辑。
3. 状态设计 ： AgentState 的设计至关重要。开始时可以简单，随着流程复杂化，逐步增加如 symptom_duration 、 severity 等结构化字段，这能让节点逻辑更清晰。
4. 引入外部知识 ：当前的 search_medical_library 是模拟的。 真正的实用化必须接入权威、最新的医学知识库 。这可以通过 LangChain 的 Retrieval 模块实现，将 PDF、医学文献向量化后供 Agent 检索。
5. 复杂工作流 ：LangGraph 支持子图、并行执行、人工审批节点等。例如，可以在“分析”节点后，增加一个“严重程度分诊”子图，将用户引导至急诊、门诊或自我护理等不同路径。
6. 评估与监控 ：利用 LangSmith 建立持续的评估体系。除了自动检查免责声明，还可以评估回复的准确性、完整性和同理心，长期监控 Agent 的性能漂移。
7. 安全与合规 ：这是医疗类应用的底线。除了前端免责声明，应在系统层面设置安全护栏，对输入输出进行过滤，并建立人工审核流程，确保内容安全可靠。

通过这个从零到一的项目，你应该能清晰地看到 LangChain、LangGraph 和 LangSmith 如何各司其职又紧密协作。LangChain 提供了与 AI 交互的“砖块”，LangGraph 让你能设计复杂的“建筑蓝图”，而 LangSmith 则是确保“建筑”质量可靠的“监理系统”。掌握这套组合，你就能更自信地应对各类复杂的 AI Agent 开发挑战。