摘要：在商业合作中，合同审核是守护企业风险的关键环节，但传统人工审核模式往往面临效率低下、风险遗漏、个性化需求难满足等痛点。随着大模型技术的成熟，多Agent协作系统逐渐成为解决复杂任务的主流方案，通过将专业化的AI Agent组合起来，分工协作完成条款抽取、风险评
在商业合作中，合同审核是守护企业风险的关键环节，但传统人工审核模式往往面临效率低下、风险遗漏、个性化需求难满足等痛点。随着大模型技术的成熟，多Agent协作系统逐渐成为解决复杂任务的主流方案，通过将专业化的AI Agent组合起来，分工协作完成条款抽取、风险评估、合规检查等工作，既能提升审核效率，又能降低人为失误，本文将以工业级智能合同审核系统为例，详细讲解如何利用LangGraph构建功能完备的多Agent系统，涵盖架构设计、状态管理、工具开发、记忆机制和人机协作等核心技术，所有代码均可直接落地使用。
合同审核不是单一任务，而是包含条款提取、风险识别、合规校验、个性化建议等多个环节的复杂流程。单一Agent很难同时具备法律专业知识、精准信息抽取能力和个性化适配能力，而多Agent架构通过"专业化分工+协同协作"的模式，能完美解决这一问题。
具体来说，合同审核场景对多Agent系统有三大核心诉求：一是精准性，必须准确抽取赔偿责任、终止条款等关键信息，不能出现遗漏或误判；二是个性化，不同企业的风险容忍度不同，比如保守型企业对赔偿上限敏感，而激进型企业更关注终止条款的灵活性；三是安全性，高风险条款必须有人工介入环节，避免AI自主决策带来的法律风险。
LangGraph作为LangChain生态中专门用于构建状态ful多Agent系统的框架，其核心优势在于强大的状态管理和灵活的流程编排能力，通过图结构定义Agent之间的协作关系，用共享状态传递上下文，配合检查点机制实现流程中断与恢复，恰好满足合同审核场景的复杂需求。我们选择Supervisor（主管）架构作为核心，由一个中心Agent负责任务路由和协调，将复杂任务分派给专业化的子Agent，形成"主管统筹+专家执行"的协作模式。
在多Agent系统中，状态（State）是贯穿整个流程的"共享笔记本"，所有Agent的工作成果、上下文信息、用户偏好都通过状态传递。一个合理的状态设计直接决定了系统的灵活性和可扩展性，我们基于TypedDict定义合同审核系统的共享状态，同时兼顾短期记忆和长期记忆的需求。
首先来看状态定义的完整代码，其中每个字段都对应实际业务场景的核心需求：
from typing_extensions import TypedDictfrom typing import Annotated, Listfrom langgraph.graph.message import AnyMessage, add_messagesfrom langgraph.managed.is_last_step import RemainingSteps# LangGraph 状态定义class ContractState(TypedDict):"""合同审核 Agent 的共享状态，定义了流经图节点的所有数据结构"""# 客户/项目标识符，用于长期记忆检索（比如区分不同企业的审核需求）project_id: str# 核心合同文本，从用户上传的文件或输入中提取contract_text: str# 完整的会话历史，用于短期记忆和上下文维护（自动累加）messages: Annotated[List[AnyMessage], add_messages]# 从长期记忆中加载的用户风险偏好（比如"保守型，关注赔偿条款和违约责任"）loaded_memory: str# 当前合同分析的风险报告摘要，最终会呈现给用户risk_report: str# 循环计数器，防止Agent无限递归调用工具remaining_steps: RemainingSteps这个状态设计有两个关键细节需要重点理解，这也是LangGraph实现记忆能力的核心：
第一个是messages字段的add_messages注解，它能让每次Agent或工具的输出自动追加到会话历史中，无需手动管理。比如条款抽取Agent提取完赔偿条款后，其输出会自动存入messages，后续风险评估Agent可以直接从历史消息中获取该条款信息，无需重复抽取，这就是系统的"短期记忆"，确保协作过程的连贯性。
第二个是loaded_memory字段，它用于存储跨会话的持久化信息，也就是"长期记忆"。比如某企业之前设置过"风险容忍度：保守，重点关注赔偿上限不超过合同金额30%"，这些偏好会被存储在长期记忆中，下次该企业上传新合同审核时，系统会自动加载这些信息，让风险评估更贴合企业需求。
这里需要注意remaining_steps字段的作用，多Agent系统中很容易出现Agent之间循环调用的问题，比如抽取Agent调用工具后，风险Agent又要求重新抽取，通过设置剩余步骤计数器，当步骤数耗尽时系统会自动触发人工介入，避免无限循环。
多Agent系统的核心价值在于"专业的人做专业的事"，我们将合同审核流程拆分为两个核心子Agent：合同条款抽取Agent和法律风险评估Agent，每个Agent都配备专属工具，确保任务执行的精准性。工具是Agent与外部世界交互的桥梁，通过@tool装饰器可以快速定义可被Agent调用的函数，支持参数校验和自动文档生成。
条款抽取是合同审核的基础，只有准确提取出赔偿责任、终止条款、违约责任等核心内容，后续的风险评估才能顺利开展。这个Agent的核心职责是"找得准、摘得精"，我们为其设计extract_clause_summary工具，专门用于抽取指定条款并生成摘要。
from langchain_core.tools import toolimport json@tooldef extract_clause_summary(contract_text: str, clause_name: str) -> str:"""从合同文本中抽取指定条款的摘要，支持常见商业合同条款类型Args:contract_text (str): 待审核的完整合同文本clause_name (str): 想要抽取的条款名称（例如: '终止条款' 或 '赔偿责任'）Returns:str: 抽取到的条款原文及其精炼摘要，格式为"原文片段：xxx；摘要：xxx""""# 实际生产环境中，此处会对接RAG系统或专门的条款抽取模型（如LegalBERT）# 以下为模拟实现，真实场景需替换为模型调用逻辑clause_map = {"赔偿责任": {"原文片段": "双方确认，任何一方违反本合同约定导致对方损失的，赔偿责任上限为合同总金额的50%","摘要": "赔偿责任上限为合同总金额的50%"},"终止条款": {"原文片段": "本合同有效期内，任意一方如需终止合同，应提前30天向对方发出书面通知，通知生效后合同终止","摘要": "任意一方提前30天书面通知即可终止合同"},"违约责任": {"原文片段": "违约方应在收到守约方书面通知后15日内承担违约责任，逾期未承担的，按日加收合同金额0.1%的违约金","摘要": "违约方需在15日内承担责任，逾期按日加收0.1%违约金"}}if clause_name in clause_map:item = clause_map[clause_name]return f"原文片段：{item['原文片段']}；摘要：{item['摘要']}"else:return f"未在合同中找到'{clause_name}'相关条款，请检查条款名称是否准确"# 将工具绑定到Agent（后续会与LLM结合）extraction_tools = [extract_clause_summary]这个工具的设计有两个关键点：一是参数明确，contract_text接收完整合同文本，clause_name指定要抽取的条款，符合Agent的调用习惯；二是返回格式标准化，同时提供原文片段和摘要，既保证审核的可追溯性，又方便后续风险评估Agent快速获取核心信息。实际应用中，我们可以基于RAG系统优化工具性能，将合同文本分割为 chunks 存入向量数据库，工具调用时通过语义检索快速定位目标条款，比纯LLM抽取准确率更高。
风险评估Agent是系统的"决策核心"，其职责是根据抽取到的条款、用户风险偏好和外部法律法规，给出风险等级和整改建议。我们为其设计check_regulatory_compliance工具，专门用于校验条款的合规性，同时结合用户偏好判断风险等级。
@tooldef check_regulatory_compliance(clause_summary: str, user_risk_preference: str = "平衡") -> str:"""对照国家法律法规和用户风险偏好，评估条款的潜在风险Args:clause_summary (str): 待检查的条款摘要（来自抽取Agent的输出）user_risk_preference (str): 用户风险偏好（激进/平衡/保守），默认值为"平衡"Returns:str: 包含合规性结果、风险等级和建议的评估报告"""# 实际生产环境中，此处会对接外部法律法规数据库（如国家法律法规数据库API）# 以下为模拟实现，真实场景需替换为API调用或数据库查询逻辑risk_level = "低"compliance_result = "符合当前法律法规要求"suggestion = "无需修改"# 合规性检查：模拟金融行业特殊要求if "赔偿责任" in clause_summary and "50%" in clause_summary:compliance_result = "符合当前法律法规要求，但需注意金融行业特殊规定"# 结合用户偏好判断风险等级if user_risk_preference == "保守":risk_level = "中"suggestion = "建议将赔偿责任上限调整为合同总金额的30%，更符合保守型风险偏好，同时降低金融行业监管风险"elif user_risk_preference == "激进":risk_level = "低"suggestion = "当前条款符合激进型风险偏好，但需在合同补充说明中明确赔偿范围"# 合规性检查：模拟终止条款的合理性elif "终止条款" in clause_summary and "30天" in clause_summary:if user_risk_preference == "保守":risk_level = "低"suggestion = "30天通知期符合保守型偏好，可保留条款"elif user_risk_preference == "激进":risk_level = "中"suggestion = "建议将通知期缩短至15天，更符合激进型企业的灵活经营需求"return (f"合规性检查结果：{compliance_result}\n"f"风险等级：{risk_level}\n"f"整改建议：{suggestion}")# 将工具绑定到Agentrisk_tools = [check_regulatory_compliance]这个工具的核心价值在于"个性化风险评估"，它不仅校验条款是否符合法律法规，还会结合用户的风险偏好调整评估结果。比如同样是"赔偿上限50%"的条款，保守型用户会被判定为中风险，而激进型用户则为低风险，这正是多Agent系统比单一工具更智能的地方。
每个Agent都需要与LLM结合才能发挥作用，我们通过提示词定义Agent的角色和行为准则，确保Agent能正确调用工具、处理结果。以下是三个核心Agent的提示词设计，基于ChatPromptTemplate实现：
from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.messages import SystemMessage# 初始化LLM（支持GPT-4o、通义千问、文心一言等兼容模型）llm = ChatOpenAI(model="gpt-4o", temperature=0.1) # 低温度确保输出稳定# 1. 条款抽取Agent的提示词extraction_prompt = ChatPromptTemplate.from_messages([SystemMessage("你是专业的合同条款抽取专家，精通各类商业合同的结构和关键条款。""你的核心任务：根据用户需求或主管Agent的指令，使用提供的extract_clause_summary工具，从合同文本中精准抽取指定条款。""工作规则：""1. 必须先确认需要抽取的条款名称，若未明确则询问用户或主管；""2. 抽取时必须使用提供的工具，不得仅凭记忆或猜测；""3. 工具返回结果后，整理成'条款名称+原文片段+摘要'的格式，无需额外添加无关信息；""4. 若工具返回'未找到相关条款'，直接如实反馈，无需编造。"),("placeholder", "{messages}"), # 接收历史消息和上下文])# 2. 风险评估Agent的提示词risk_prompt = ChatPromptTemplate.from_messages([SystemMessage("你是严谨的法律风险评估师，具备丰富的商业合同审核经验和合规知识。""你的核心任务：根据抽取Agent提供的条款摘要、用户的风险偏好（来自loaded_memory），使用check_regulatory_compliance工具评估风险。""工作规则：""1. 必须先获取完整的条款摘要和用户风险偏好，缺一不可；""2. 必须使用提供的工具进行合规性检查，不得自行判断法律法规要求；""3. 评估结果需包含合规性、风险等级（低/中/高）、整改建议三部分，逻辑清晰；""4. 若条款存在高风险（如赔偿上限超过50%且用户为保守型），需明确标注并建议人工介入。"),("placeholder", "{messages}"),])# 3. 主管Agent的提示词（核心路由角色）supervisor_prompt = ChatPromptTemplate.from_messages([SystemMessage("你是高级多Agent系统主管，负责统筹合同审核的全流程，合理分配任务并确保流程顺畅。""你的核心任务：根据用户最新请求和当前状态，决定下一步行动，路由到正确的子Agent。""可用子Agent：合同条款抽取Agent（extraction_agent）、法律风险评估Agent（risk_agent）。""工作规则：""1. 先判断当前状态：若未加载用户记忆，等待记忆加载完成；若未抽取条款，先调用extraction_agent；""2. 抽取完成后，调用risk_agent进行风险评估；""3. 风险评估结果若为高风险，触发人工介入（返回'人工介入'）；""4. 所有任务完成后，返回'FINISH'，触发长期记忆更新；""5. 不得直接处理具体任务（如抽取条款、评估风险），仅负责路由和决策。"),("placeholder", "{messages}"),])提示词设计的关键在于"明确角色、划定边界、给出规则"，每个Agent都知道自己的身份（抽取专家/评估师/主管），知道能做什么（使用指定工具）、不能做什么（主管不直接处理具体任务），这样才能避免Agent行为混乱，确保协作顺畅。
多Agent系统要具备"智能"，必须拥有记忆能力，短期记忆用于维护当前会话的上下文，长期记忆用于存储跨会话的用户偏好。LangGraph通过Checkpointer实现短期记忆的持久化和恢复，通过Store实现长期记忆的存储和加载，两者结合让系统既能"记住当前事"，又能"记住老规矩"。
短期记忆由LangGraph的Checkpointer负责管理，它能记录每次流程运行的完整状态，支持暂停和恢复。比如用户上传合同后，系统正在抽取条款时突然中断，下次启动时可以通过检查点恢复之前的状态，无需重新上传合同。
from langgraph.checkpoint.memory import MemorySaver# 短期记忆：记录和恢复每一次LangGraph运行的完整状态checkpointer = MemorySaver这个Checkpointer会被传递给每个Agent和图的编译过程，自动记录状态的变化。在实际应用中，我们可以将MemorySaver替换为更持久化的存储（如RedisCheckpoint），支持分布式部署场景下的状态共享。
4.2 长期记忆：基于InMemoryStore的用户偏好管理长期记忆用于存储跨会话的持久化信息，比如用户的风险偏好、关注的条款类型、历史审核记录等。我们使用InMemoryStore模拟长期存储，实际生产环境中可以替换为PostgreSQL、MongoDB等数据库。
首先定义用户偏好的结构化模型，确保存储的数据规范：
from langgraph.store.memory import InMemoryStorefrom pydantic import BaseModel, Field# 结构化用户偏好模型，确保数据格式统一class UserProfile(BaseModel):risk_tolerance: str = Field(description="用户风险容忍度：激进、平衡或保守")preferred_clauses: List[str] = Field(description="用户最关注的关键条款列表，如['赔偿责任', '终止条款']")industry: str = Field(description="用户所属行业，用于适配行业特定法规，如'金融'、'互联网'")# 初始化长期存储long_term_store = InMemoryStore然后实现两个核心节点：load_memory（加载用户偏好）和create_memory（更新用户偏好），这两个节点会作为流程的一部分，自动执行记忆的加载和更新。
def load_memory(state: ContractState) -> ContractState:"""从长期存储加载用户偏好，存入loaded_memory字段"""# 从状态中获取项目ID（每个用户/企业对应唯一project_id）project_id = state.get("project_id", "default_project")# 从长期存储中获取用户档案stored_data = long_term_store.get(project_id)if stored_data and "user_profile" in stored_data:user_profile = stored_data["user_profile"]# 将结构化的用户偏好转换为自然语言，方便Agent理解loaded_memory = (f"用户风险容忍度：{user_profile.risk_tolerance}，"f"关注条款：{', '.join(user_profile.preferred_clauses)}，"f"所属行业：{user_profile.industry}")return {"loaded_memory": loaded_memory}else:# 若未找到历史偏好，使用默认值return {"loaded_memory": "用户风险容忍度：平衡，关注条款：['赔偿责任', '终止条款', '违约责任']，所属行业：通用"}def create_memory(state: ContractState) -> ContractState:"""根据本次会话结果更新长期存储中的用户偏好"""project_id = state.get("project_id", "default_project")loaded_memory = state.get("loaded_memory", "")messages = state.get("messages", )# 从会话历史中提取用户最新的风险偏好（实际场景中会用LLM解析messages）# 这里模拟提取逻辑：若用户在人工介入时明确修改了风险偏好，则更新new_risk_tolerance = "平衡"new_preferred_clauses = ["赔偿责任", "终止条款", "违约责任"]new_industry = "通用"# 解析人工介入消息中的偏好更新（示例）for msg in messages:if hasattr(msg, "content") and "风险偏好" in msg.content:if "保守" in msg.content:new_risk_tolerance = "保守"elif "激进" in msg.content:new_risk_tolerance = "激进"# 提取用户关注的新条款if "关注" in msg.content:import reclauses = re.findall(r"['\"](.*?)['\"]", msg.content)if clauses:new_preferred_clauses = clauses# 更新长期存储updated_profile = UserProfile(risk_tolerance=new_risk_tolerance,preferred_clauses=new_preferred_clauses,industry=new_industry)long_term_store.put(project_id, {"user_profile": updated_profile})print(f"[长期记忆更新] 项目 {project_id}：风险容忍度={new_risk_tolerance}，关注条款={new_preferred_clauses}")return {} # 仅执行副作用，不修改状态其他字段这两个节点的工作流程很清晰，load_memory在流程开始时执行，自动加载用户的历史偏好；create_memory在流程结束时执行，根据本次会话的交互（比如用户人工介入时修改了偏好）更新长期存储。这样一来，系统会越用越智能，每次审核都会更贴合用户的实际需求。
合同审核是高风险场景，AI的决策不能完全替代人工，对于高风险条款（如赔偿上限过高、终止条款不合理），必须让人类审核员介入确认，这就是人机协作（Human-in-the-Loop, HITL）。我们设计专门的human_in_the_loop_node节点，当主管Agent判断需要人工介入时，流程会暂停并等待人工输入，确认后再继续执行。
from langchain_core.messages import HumanMessage, AIMessagedef human_in_the_loop_node(state: ContractState) -> ContractState:"""高风险场景下的人工介入节点，暂停流程等待人工审核"""# 获取主管Agent的最新消息，判断是否需要人工介入last_message = state["messages"][-1]contract_text = state["contract_text"]loaded_memory = state["loaded_memory"]# 仅当主管Agent未返回FINISH且包含高风险提示时，触发人工介入if "FINISH" not in last_message.content and ("高风险" in last_message.content or "人工介入" in last_message.content):print("\n" + "="*50)print("⚠️ 高风险警报：需要人工介入审核")print("="*50)print(f"项目ID：{state.get('project_id')}")print(f"用户偏好：{loaded_memory}")print(f"Agent当前判断：{last_message.content}")print(f"合同核心内容：{contract_text[:500]}..." if len(contract_text) > 500 else f"合同核心内容：{contract_text}")print("\n请人工审核后输入指令（例如：'风险确认，同意AI建议'或'修改风险偏好为保守，重新评估'）：")# 实际应用中，这里会对接UI界面，支持审核员输入和文件上传# 此处用input模拟人工输入（阻塞等待）human_input = input("> ")print("="*50 + "\n")# 将人工输入作为HumanMessage添加到状态中，供主管Agent重新处理return {"messages": [HumanMessage(content=f"人工审核指令：{human_input}")]}# 若无需人工介入，直接返回状态return state这个节点的设计有三个关键细节：一是触发条件明确，只有高风险场景才会暂停，避免过度打扰人工；二是提供完整的上下文，让审核员能快速了解情况（包括项目ID、用户偏好、Agent判断、合同核心内容）；三是支持灵活的人工指令，审核员可以确认风险、修改偏好或要求重新评估，系统会根据指令调整后续流程。
在实际应用中，我们可以将这个节点与企业的OA系统或审核平台对接，审核员会收到通知消息，在平台上完成审核后，指令会自动传递给Agent系统，实现异步协作，这也是LangGraph状态管理的优势，支持流程的中断和恢复。
所有节点和Agent定义完成后，接下来就是通过LangGraph的StateGraph构建完整的协作流程。我们需要定义节点之间的连接关系、条件路由规则，让整个系统按照"加载记忆→主管决策→子Agent执行→人工介入（可选）→更新记忆→结束"的逻辑运行。
首先创建子Agent和工具执行节点，利用LangGraph的预置函数简化开发：
from langgraph.prebuilt import ToolExecutor, ToolNode, create_react_agent, create_supervisorfrom langgraph.graph import StateGraph, END, START# 工具执行器：负责执行Agent调用的工具extraction_executor = ToolExecutor(extraction_tools)risk_executor = ToolExecutor(risk_tools)# 创建ReAct模式的子Agent（LLM + 工具 + 提示词）def create_sub_agent(llm, tools, prompt):"""封装子Agent的创建逻辑，返回Agent和工具执行节点"""agent_runnable = create_react_agent(llm=llm.bind_tools(tools), # 将工具绑定到LLM，让LLM知道可以调用哪些工具tools=tools,checkpointer=checkpointer, # 绑定检查点，支持状态恢复prompt=prompt)tool_node = ToolNode(executor=ToolExecutor(tools))return agent_runnable, tool_node# 创建条款抽取Agent和工具节点extraction_agent, extraction_tool_node = create_sub_agent(llm, extraction_tools, extraction_prompt)# 创建风险评估Agent和工具节点risk_agent, risk_tool_node = create_sub_agent(llm, risk_tools, risk_prompt)# 创建主管Agent（负责路由决策）supervisor_agent = create_supervisor(llm=llm,agents=["extraction_agent", "risk_agent"], # 告知主管可用的子Agentsystem_prompt=supervisor_prompt,handle_messages_correctly=True # 确保消息格式兼容)这里的create_react_agent是LangGraph的预置函数，能快速创建支持工具调用的ReAct模式Agent，ReAct模式是Agent调用工具的经典范式，通过"思考→行动→观察→思考"的循环，确保工具调用的准确性。
流程的灵活性取决于路由规则，我们定义两个核心路由函数：check_for_tool_call判断Agent是否需要调用工具，route_supervisor判断主管Agent的下一步行动。
def check_for_tool_call(state: ContractState) -> str:"""检查Agent的最新消息是否包含工具调用，决定是否执行工具"""last_message = state["messages"][-1]# 若消息包含工具调用，路由到工具执行节点；否则返回主管return "continue" if last_message.tool_calls else "end"def route_supervisor(state: ContractState) -> str:"""主管Agent的路由逻辑，决定下一步执行哪个节点"""last_message = state["messages"][-1]content = last_message.content# 路由到条款抽取Agentif "extraction_agent" in content:return "extraction_agent"# 路由到风险评估Agentelif "risk_agent" in content:return "risk_agent"# 触发人工介入elif "高风险" in content or "人工介入" in content:return "human_in_the_loop"# 任务完成，更新长期记忆后结束elif "FINISH" in content:return "create_memory"# 默认路由：返回主管重新决策else:return "supervisor"这两个路由函数是流程的"交通指挥灯"，check_for_tool_call确保Agent只有在需要调用工具时才执行工具，避免无效操作；route_supervisor让主管Agent能根据实际情况灵活分配任务，比如先抽取条款再评估风险，遇到高风险就触发人工介入。
最后，我们通过StateGraph将所有节点和路由规则组装起来，形成完整的多Agent系统：
# 初始化状态图builder = StateGraph(ContractState)# 1. 添加核心业务节点builder.add_node("load_memory", load_memory) # 加载长期记忆builder.add_node("create_memory", create_memory) # 更新长期记忆builder.add_node("human_in_the_loop", human_in_the_loop_node) # 人工介入builder.add_node("supervisor", supervisor_agent) # 主管Agent# 2. 添加子Agent和工具节点builder.add_node("extraction_agent", extraction_agent) # 条款抽取Agentbuilder.add_node("extraction_tool_node", extraction_tool_node) # 抽取工具执行builder.add_node("risk_agent", risk_agent) # 风险评估Agentbuilder.add_node("risk_tool_node", risk_tool_node) # 风险工具执行# 3. 定义节点之间的连接关系# 流程起点：加载记忆builder.set_entry_point("load_memory")# 记忆加载完成后，交给主管Agent决策builder.add_edge("load_memory", "supervisor")# 主管Agent的条件路由：根据决策结果跳转builder.add_conditional_edges("supervisor",route_supervisor,{"extraction_agent": "extraction_agent","risk_agent": "risk_agent","human_in_the_loop": "human_in_the_loop","create_memory": "create_memory"})# 条款抽取Agent的循环：调用工具→返回Agent→返回主管builder.add_conditional_edges("extraction_agent",check_for_tool_call,{"continue": "extraction_tool_node", # 需要调用工具，执行工具"end": "supervisor" # 不需要工具，返回主管})builder.add_edge("extraction_tool_node", "extraction_agent") # 工具执行完成，返回Agent处理结果# 风险评估Agent的循环：调用工具→返回Agent→返回主管builder.add_conditional_edges("risk_agent",check_for_tool_call,{"continue": "risk_tool_node","end": "supervisor"})builder.add_edge("risk_tool_node", "risk_agent")# 人工介入完成后，返回主管重新决策builder.add_edge("human_in_the_loop", "supervisor")# 更新长期记忆后，流程结束builder.add_edge("create_memory", END)# 编译图：启用检查点机制，支持状态恢复contract_review_app = builder.compile(checkpointer=checkpointer)图编译完成后，我们可以通过调用contract_review_app.invoke启动系统，传入初始状态参数即可。以下是一个完整的测试示例：
# 测试用例：用户上传一份合同，请求审核initial_state = {"project_id": "company_a_2024", # A公司的项目ID"contract_text": """商业合作合同甲方：A公司乙方：B公司1. 赔偿责任：双方确认，任何一方违反本合同约定导致对方损失的，赔偿责任上限为合同总金额的50%。2. 终止条款：本合同有效期内，任意一方如需终止合同，应提前30天向对方发出书面通知，通知生效后合同终止。3. 违约责任：违约方应在收到守约方书面通知后15日内承担违约责任，逾期未承担的，按日加收合同金额0.1%的违约金。""","messages": , # 初始会话历史为空"loaded_memory": "", # 初始无加载的记忆"risk_report": "", # 初始无风险报告"remaining_steps": 10 # 最多允许10步流程}# 运行多Agent系统result = contract_review_app.invoke(initial_state)# 输出最终结果print("\n" + "="*60)print(" 智能合同审核报告")print("="*60)print(f"项目ID：{result['project_id']}")print(f"用户偏好：{result['loaded_memory']}")print(f"风险报告：{result['risk_report']}")print("="*60)运行这个测试用例后，系统会按照以下流程执行：
加载A公司的长期记忆（首次运行使用默认偏好）；主管Agent决策，调用条款抽取Agent抽取核心条款；条款抽取Agent调用工具，提取赔偿责任、终止条款、违约责任的摘要；主管Agent收到抽取结果后，调用风险评估Agent；风险评估Agent结合默认偏好（平衡），调用工具评估风险；评估完成后返回主管Agent，主管判断无高风险，触发长期记忆更新；流程结束，输出最终的风险报告。如果我们将初始状态的loaded_memory改为"用户风险容忍度：保守，关注条款：[‘赔偿责任’]，所属行业：金融"，系统会评估出"赔偿责任上限50%"为中风险，并给出调整建议，整个流程会更贴合用户的个性化需求。
以上实现的是一个功能完备的原型系统，要投入工业级使用，还需要进行以下几方面的优化，确保系统的稳定性、性能和安全性：
工具优化：将模拟工具替换为真实的模型和API。比如条款抽取工具可以基于LegalBERT或行业大模型（如法研杯获奖模型）开发，合规性检查工具对接国家法律法规数据库API，提升抽取和评估的准确率。存储优化：将InMemoryStore替换为Redis或PostgreSQL，支持分布式部署和海量用户数据存储；将MemorySaver替换为RedisCheckpoint，支持跨服务的状态共享和恢复。性能优化：添加缓存机制，缓存常见条款的抽取结果和法律法规数据，减少重复计算；使用异步工具执行器，支持并行处理多个条款的抽取和评估，提升审核效率。安全性优化：对用户上传的合同文本进行脱敏处理，保护商业机密；添加权限控制，不同审核员只能查看自己负责的项目；记录所有Agent的操作日志，支持审计和追溯。扩展能力：增加更多专业化Agent，比如税务审核Agent（评估合同中的税务风险）、履行能力评估Agent（结合乙方资质评估履行风险）；支持多种文件格式（PDF、Word）的上传和解析，提升用户体验。通过LangGraph构建的智能合同审核系统，完美展现了多Agent架构的核心价值，将复杂任务拆解为专业化子任务，通过协作提升效率和准确率，同时结合记忆机制和人机协作，兼顾个性化和安全性。这套架构不仅适用于合同审核，还可以迁移到其他复杂场景，如代码审计、医疗诊断、金融风控等。
随着大模型技术的不断发展，多Agent系统将朝着更智能、更灵活、更易用的方向演进：一是Agent的自主决策能力会更强，能够自动调整协作流程，适应复杂场景的变化；二是跨模态协作会成为主流，Agent不仅能处理文本，还能结合图像、表格等多模态数据；三是低代码化，开发者可以通过可视化工具编排Agent流程，无需编写复杂代码。
来源：码韵匠道