Construir un agente multi-paso con LangGraph en Python que clasifica tickets, los enruta, y responde. Código real, manejo de estado, human-in-the-loop.

Agente que clasifica tickets entrantes, decide entre auto-responder o escalar a humano, redacta la respuesta y la registra en CRM.

Construir un agente multi-paso con LangGraph para soporte SaaS

Definir el State del grafo

Tipo TypedDict con los campos que el agente acumula entre nodos: ticket, classification, action, response, conversation_history.

Implementar el nodo de clasificación

Nodo Python que llama a Claude Haiku para clasificar el ticket en categorías (billing, technical, general, urgent) y agregar la classification al state.

Routing condicional según la clasificación

Edge condicional que enruta a auto-respond para tickets simples o a human-review para tickets urgentes o complejos.

Nodo de generación de respuesta

Llamada a Claude Sonnet con system prompt específico por categoría, RAG opcional contra docs internos, output con citas a la knowledge base.

Human-in-the-loop con interrupt

Configurar interrupt_before en el nodo de envío. Cuando el agente quiere responder algo sensible, pausa y espera aprobación humana vía endpoint.

Persistencia y observabilidad

Checkpointer en Postgres para que el grafo sobreviva crashes. Logging estructurado de cada transición de state para debugging.

Artículos sobre LangGraph

Tutorial LangGraph: tu primer agente multi-paso para automatizar soporte SaaS