模块 2 · 编排内核

14 节点 LangGraph：
从回忆到归档

客户线不走顾问通用 tool→llm→guard 编排（agent_service.py），而是登录客户 14 节点 LangGraph 编排（customer_service.py）里一张更大的 LangGraph。入口永远是 recall_memory，出口经 save_memory 写记忆后收尾。

14 个节点一览（改分支前先认门牌号）

1recall_memory · 拉 Redis/MySQL 窗口

2intent_classify · LLM 分意图

3rag_search · fin_* Milvus

4param_extract · 抽查询参数

5tool_call · Core 只读 Tool（core_ro_tool.py）

6interpret · 解读 fact_text

7generate · RAG 拼回复

8chitchat · 闲聊

9reject · 合规拒绝

10transfer_human · 转人工

11fallback · 兜底话术

12save_note · 客户记一笔

13save_memory · 写回合记忆

14profile_maybe_extract + archive_check

分支规则： intent_classify 之后走 RAG（产品/政策/FAQ）、走 Tool（持仓/流水/风评）、或走静态话术（拒绝/转人工/闲聊）。所有生成分支最后都汇入 save_memory。 口吻护栏与转人工决策见模块 4。

群聊动画：客户问「我持仓多少」

下面按节点顺序播放（数据查询分支）；若问「申购费率多少」则在节点 2 后改走 rag_search → generate。

图构建 · 登录客户 14 节点 LangGraph 编排（customer_service.py）

g.set_entry_point("recall_memory")
g.add_edge("recall_memory", "intent_classify")
g.add_conditional_edges("intent_classify", _route, {...})
g.add_edge("tool_call", "interpret")
g.add_edge("rag_search", "generate")
# 各生成分支 → save_memory → profile → archive → END

白话

先回忆上下文，再让 LLM 判意图，然后走 RAG 或 Tool 或静态话术。

数据类问题：param_extract → tool_call → interpret，数字 100% 来自 Core。

无论哪条分支，最后都要 save_memory，再异步做画像和归档。

14 节点 LangGraph：从回忆到归档

14 个节点一览（改分支前先认门牌号）

群聊动画：客户问「我持仓多少」

客户问「基金申购费率多少」，LangGraph 走哪条分支？

14 节点 LangGraph：
从回忆到归档