前一天我們已經理解 LangGraph 的幾個核心概念：狀態（State）負責保存目前工作流程知道的資訊，節點（Node）負責執行一項明確工作，連線（Edge）決定固定的下一步，而條件連線（Conditional Edge）則根據 State 決定流程要走哪一個分支。

今天要把這些概念真正放回 Data Machi，將原本比較集中、甚至帶有一些黑箱特性的 Coordinator，改造成一條可以觀察、測試、重試，也能在需要時加入人工介入的工作流程。

這次實作真正重要的不是「有沒有成功使用 LangGraph 套件」，而是開始把前面二十多天累積的規則變成明確的 Workflow：哪些事情可以讓模型判斷，哪些步驟不能被跳過；失敗後應該去哪裡，以及什麼情況下必須停下來。

先看 Data Machi 現在的 Graph

動手拆之前，先看專案目前的樣子。Data Machi 的 Coordinator 其實已經跑在 LangGraph 上，只是 Graph 非常精簡，只有兩個 Node：

class AgentState(TypedDict):
    messages: Annotated[list[BaseMessage], add_messages]

workflow = StateGraph(AgentState)
workflow.add_node("agent", agent_node)
workflow.add_node("action", parallel_tool_node)

workflow.add_edge(START, "agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("action", "agent")

coordinator_executor = workflow.compile()

agent 是綁定所有 Tool 的 Coordinator；action 負責執行模型要求的 Tool，同一輪要求多個時會平行執行；should_continue 則是一條 Conditional Edge：模型要求了 Tool 就走向 action，否則結束（模型只說了計畫卻沒有呼叫 Tool 時，會讓它再試，最多兩次）。State 也只有 messages 一個欄位。

這個版本可以運作，但 Day 23 提到的問題它都有：Verification 與 Clarification 寫在 Graph 外面的程式裡，Retry 由各層自己處理，也還沒有 Approval。所以今天要做的，是替下一版畫出目標藍圖，把這些規則搬進 Graph。接下來的內容是 Workflow 規格，不是已經上線的程式。

先把 Coordinator 過度集中的責任拆開

前面的 Coordinator 已經負責不少事情：理解使用者問題、決定使用哪個 Tool、呼叫工具、觀察結果、判斷是否需要補查，最後再產生回答。這樣的設計在功能還少的時候很方便，但當 Verification、Memory、Retry 與 Clarification 都加進來之後，一個 Coordinator Function 很容易越寫越大。

例如原本的邏輯可能逐漸變成：先理解問題，如果需要數據就查 Sheets，如果需要文件就查 RAG，如果兩個都需要就決定順序；Tool 回來後再檢查結果，失敗時重試，資訊不足時詢問使用者，最後才整理答案。每個規則單獨看都不複雜，但全部放在一起後，就很難回答一個最基本的除錯問題：「這一題到底是哪一步做錯了？」

LangGraph 的做法不是讓 Coordinator 更強，而是反過來把責任拆開。例如第一版可以先拆成幾個主要 Node：

這樣 Router 不需要自己查資料，Tool 不需要自己決定是否回答，Verification 也不負責重新理解整個使用者問題。每個 Node 只負責一件相對明確的事情，再透過 State 把資料傳遞下去。

先定義 Workflow 需要哪些 State

把 Node 拆開之後，下一步不是立刻寫 Edge，而是先問：「這些 Node 之間到底需要共享哪些資訊？」例如第一版 State 可以包含：

State 的目的不是把所有資料無限制保存，而是讓不同 Node 清楚知道「目前這項任務已經進展到什麼程度」。例如 Router 執行後，只需要把 required_capabilities 寫回 State；Google Sheets Tool 執行後，再加入 tool_results 與 sources；Verification 則讀取這些結果，最後產生 verification_status 與 missing_information。如此一來，Node 之間不需要靠一大段 Prompt 猜測前面發生了什麼，而是可以直接讀取明確的資料欄位。

Router Node 只負責分流，不要讓它重新變成萬能 Agent

第一個真正需要調整的，是 Router。Router 的責任應該是理解「這個問題需要哪些能力？」。

• 使用者問「今年共有多少筆需求？」，Router 可以判斷 required_capabilities = data。
• 使用者問「需求工單的正式定義是什麼？」，則是 required_capabilities = document。
• 使用者問「哪一類需求最多？那一類正式怎麼定義？」，Router 可以判斷需要 required_capabilities = data + document。

重要的是，Router 做完這件事之後就應該結束自己的責任。它不需要直接查 Google Sheets、不需要自己搜尋文件，更不應該順便產生最終答案。這樣當使用者問題被送錯來源時，我們只需要測 Router；數字計算錯誤時，則檢查 Data Tool Node。不同問題可以被分開定位，而不是全部歸類成「模型回答怪怪的」。

複合問題不只要知道用哪些 Tool，還要知道資料依賴

Router 判斷出 data + document 之後，也不代表兩個 Tool 一定可以同時執行。這時還需要延續 Day 20 提過的 Data Dependency。

例如「今年總工單數是多少？工單的正式定義是什麼？」，兩個問題彼此獨立，所以 Sheets 與 Document Tool 可以平行執行。但「今年哪一類工單最多？這一類的正式定義是什麼？」，第二個問題中的「這一類」必須先等 Data Tool 找到 Top Category，因此一定要先查數據，再搜尋文件。

所以 Workflow 的重點不是單純把每個 Tool 畫成 Node，而是要把真正不能顛倒的資料依賴寫進 Edge。模型可以幫我們理解問題，但某一步明確依賴另一個結果時，Graph 應該確保流程順序不會被跳過。

Tool Node 只負責可靠地執行能力

Tool Node 的設計可以延續前面建立 Tool 時的原則：清楚 Input、Output、Source 與 Error。例如 Data Tool Node 接收查詢條件後，應該回傳的不只是「台灣有 328 筆」這句自然語言，而是保留結構化結果，包括實際 Query、Raw Result、資料來源與查詢時間。Document Tool 也是相同概念，除了文件內容之外，還應該保存 Filename、Page、Section 或其他可追蹤資訊。

這些結果會被寫回 State，交給後面的 Verification Node，而不是由 Tool 自己決定「這些資訊應該已經夠了，所以我直接回答使用者。」Tool 回傳資料；是否足夠回答，是下一個 Node 的工作。

Verification Node 是企業 Workflow 很重要的一層

Tool 執行成功，不代表任務已經完成。假設使用者問「為什麼 Conversion Rate 下降？」，Data Tool 成功回傳「4.8% → 4.3% → 3.9%」。這只能證明 Conversion Rate 的確下降，不能直接證明「為什麼」。

因此 Tool Result 完成後，可以統一進入 Verification Node，檢查幾件事情：目前所有子問題是否都有證據、數字是否真的存在於 Tool Result、來源是否完整、動態資料是否已過期，以及目前結果是否足以支持回答中的結論。

這就是 Conditional Edge 開始真正有價值的地方。模型不用自己「記得」驗證失敗後不能回答，因為 Graph 根本不提供直接前往 Answer 的路。

用 LangGraph 寫出來，最小的版本大概是下面這樣。這段是示意用的簡化範例，只處理三種結果，不是專案裡的程式：

from typing import TypedDict
from langgraph.graph import StateGraph, START, END

class WorkflowState(TypedDict):
    question: str
    tool_results: list
    verification_status: str   # passed / missing_input / failed
    retry_count: int
    final_answer: str

def route_after_verification(state: WorkflowState) -> str:
    if state["verification_status"] == "passed":
        return "answer"
    if state["verification_status"] == "missing_input":
        return "clarification"
    if state["retry_count"] < 2:
        return "data_tool"      # 回去重新取得資料
    return "answer"             # 重試用完，交給 Answer 產生 Partial Answer

workflow = StateGraph(WorkflowState)
workflow.add_node("data_tool", data_tool_node)
workflow.add_node("verification", verification_node)
workflow.add_node("clarification", clarification_node)
workflow.add_node("answer", answer_node)

workflow.add_edge(START, "data_tool")
workflow.add_edge("data_tool", "verification")
workflow.add_conditional_edges("verification", route_after_verification)
workflow.add_edge("clarification", END)
workflow.add_edge("answer", END)

graph = workflow.compile()

route_after_verification 就是那條 Conditional Edge：它不呼叫模型，只讀 State，再回傳下一個 Node 的名稱。data_tool_node 在驗證失敗後被重新執行時，會把 retry_count 加一，所以「最多重試兩次」是由程式保證的。

Retry 也應該成為 Workflow 規則

前面 Day 23 已經談過，不是所有失敗都適合 Retry。例如 Timeout 可以有限次重試；Permission Denied 重試再多次通常也沒有意義；Missing Input 應該進入 Clarification，而不是重新打 API；如果 RAG 沒找到文件，則可能需要調整 Query 後再搜尋一次。

因此 State 可以保存 retry_count，再由 Conditional Edge 控制。例如 Timeout 時允許最多重試兩次，再失敗就停止並回傳 Partial Answer。真正重要的是 Retry Limit 應該由程式控制，而不是在 Prompt 裡寫「請不要重試超過兩次。」可以把錯誤策略整理成：

這樣 Error Handling 本身就變成 Workflow 的一部分。

Clarification Node 是一條正式分支

如果 Router 或 Verification 發現問題資訊不足，也不要讓 Agent 在任何地方臨時插一句問題。更清楚的做法，是讓 Workflow 進入 Clarification Node。

例如使用者說「幫我看最近的表現。」，而目前只知道 Market = Taiwan、Metric = Conversion Rate，Period 是 Missing。這時 State 可以記錄 missing_information = period，接著進入 Clarification Node，只向使用者詢問：

「你是想看本月，還是最近 90 天的轉換率？」

等使用者補充後，再更新 State 並從適合的位置繼續。這也讓「追問」從 Prompt 裡的一個模糊行為，變成真正可以被 Trace 的 Workflow Path。

Human-in-the-loop 應該放在高風險 Action 前

前面的 Google Sheets、PDF RAG 都屬於 Read-only Tool，通常可以讓 Agent 自動執行。但如果未來加入寄送 Email、建立正式 Task、修改 Project Status、寫入 Database 或刪除資料，風險就完全不同。這類 Action 比較適合先準備 Payload，再進入 Approval Node：

人工介入不是代表 Agent 不夠聰明，而是某些業務風險本來就不應該只靠模型判斷。例如 Agent 可以決定「這個異常值得產生一封通知 Email。」，但真正的寄送動作，可以要求 approval_status = approved 才允許走向 send_email Node。

Graph 裡除了 Approval → Execute，沒有其他通往 Execute 的路，這就比在 Prompt 中要求「寄信前記得問我」可靠得多。

權限可以逐步開放，不必一步到全自動

企業 Agent 也不需要一開始就追求完全自主。比較合理的演進可以分成幾個成熟階段：

例如第一版的 Email Tool 不必直接寄信，而可以只產生 Draft；下一階段再加入 Approval；等未來權限管理、Audit Log 與錯誤恢復都成熟之後，才開放特定低風險通知自動寄送。

成熟的 Agent 不是一開始就什麼都能做，而是隨著信任、可觀察性與治理能力逐步增加權限。

Parallel Execution 也只是 Graph 裡的一種模式

如果使用者問「今年共有多少工單？公司的工單定義是什麼？」，Router 判斷兩個問題互不依賴，就可以從同一個節點分成兩條路，同時執行 Data Tool 與 Document Tool，完成之後再到 Merge / Verification Node。但如果使用者問的是「哪一類工單最多？這一類正式怎麼定義？」，就必須先 Data Tool，再 Document Tool。

所以 Parallel、Sequential、Retry、Clarification、Approval 都不需要各自建立一套新的 Agent Architecture。它們只是同一張 Workflow Graph 中不同的 Edge 與執行模式。這也是 Graph 的優勢之一：我們開始用「工作依賴」設計系統，而不是用「有幾個 Agent」設計系統。

不要為了 Multi-Agent 而拆 Agent

做到這裡，很容易把每個 Node 都想成一個 Agent，例如 Router Agent、Sheets Agent、Document Agent、Verification Agent 和 Approval Agent。但這通常沒有必要：Router 可能只需要一次 LLM Classification；Sheets Node 是程式與 API；Verification 有些檢查甚至只是 Rule；Approval 的決策者則是人類。

Day 24 已經說明過，很多 Node 並不代表 Multi-Agent。如果目前使用單一 Coordinator 加多個 Tool 就能穩定理解與處理任務，沒有必要因為導入 LangGraph 就把架構強制拆成多個 Agent。真正比較適合 Multi-Agent 的情況，是不同角色需要不同 Goal、Context、Tool Set、Model 或 Permission，或者業務流程本身存在正式角色交接，例如 Research → Review → Revision 這種工作流程。

階段實作五｜把 Agent 設計轉成 Workflow 規格

現在可以拿出 Day 20 保存的「Agent 決策邊界」，將裡面的規則真正轉成 State、Node 與 Edge。這次成果不一定要立刻變成完整 LangGraph 程式碼，也可以先完成一份工程師看得懂的 Workflow Specification。例如：

接著再把主要 Edge 寫清楚。例如：

• START → Router
• Router → Data Tool / Document Tool / 多來源
• Tool → Verification
• Verification Passed → Answer
• Verification Missing Evidence → 對應 Tool
• Verification Missing Input → Clarification
• High-risk Action → Approval
• Approval Approved → Execute
• Approval Rejected → Cancel
• Answer → END

做到這裡，原本寫在 Prompt 裡的大量規則，就開始變成真正的 Workflow Specification。

至少走查五條不同路徑

完成 Graph 之後，不要只測最順利的 Happy Path。至少可以設計五種固定測試路徑。

例如跨來源測試「哪一類需求最多？它的正式定義是什麼？」，應該可以 Trace 到 Router → Data Tool → Document Tool → Verification → Answer，而不是先查 Document，再自己猜一個 Category。資訊不足測試「幫我看最近的表現。」，如果缺少必要 Period，就應該走 Router → Clarification，而不是直接執行 Data Tool。Action 測試則要確認，即使前面的結果全部正確，只要尚未取得 Approval，Workflow 就不能進入真正的 Execute Node。

測試時不只看答案，也要看走了哪條 Edge

在一般 LLM Application 裡，我們常只看最終答案正不正確。但到了 Graph Workflow，更應該把執行路徑本身也視為測試結果。例如可以建立：

這樣如果最終答案碰巧正確，但 Workflow 走了不必要的 Tool 或跳過 Verification，仍然可以視為架構測試沒有通過。這也是從「測模型答案」進一步走向「測整個 AI 系統」。

階段成果：
保存這份 Workflow 圖、State 定義、Node 規格，以及至少五條測試路徑。Day 30 會把它和前四階段成果、資料來源、Agent 決策邊界、權限與可靠性規則整合成最終的 Enterprise AI Blueprint。

人工介入真正困難的是：暫停之後還能繼續

在簡單 Demo 裡，Human-in-the-loop 看起來只是一個按鈕。真正進入產品後，最困難的問題其實發生在按鈕出現之後。

假設 Workflow 目前已經完成 Data Query、Verification 和 Email Draft，接著停在 Approval。如果使用者五分鐘後才批准，Backend 需要知道這次 Approval 對應哪一條 Workflow、哪一版 Email、前面用的是哪些 Tool Result，以及接下來應該從哪一個 Node 繼續。如果使用者隔天才批准，伺服器甚至可能已經重新啟動過。

因此不能只把目前狀態留在一次 Request 的記憶體中，而需要真正把 State 保存起來。這時就會開始遇到三個很重要的概念：Checkpointer（檢查點）、Interrupt / Resume（中斷與恢復）與 Durable Execution（持久執行）。 Data Machi 目前的 Graph 在編譯時還沒有接上 Checkpointer，所以這一段同樣屬於下一版的規劃。基本流程可以理解成：

Workflow 執行
    ↓
到達高風險 Action
    ↓
保存 State / Checkpoint
    ↓
Interrupt
    ↓
等待使用者
    ↓
Approve
    ↓
載入先前 State
    ↓
Resume
    ↓
執行下一個 Node

這也是 LangGraph 類型 Workflow 和一般聊天 Agent 很重要的一個差異：流程本身開始成為需要保存與管理的產品狀態，而不只是某一次 LLM 呼叫裡的 Context。

Pause / Resume 也帶來新的資料新鮮度問題

這裡還有一個很容易被忽略的問題。假設系統早上 9 點查到「Hong Kong Conversion Rate 下降 12%。」，因此產生一封通知 Email，等待主管批准，但主管下午 3 點才按 Approve。問題是：早上 9 點的數據到下午 3 點還有效嗎？

有些 Action 可以直接沿用，例如根據一份固定政策產生文件；但有些 Action 和即時資料高度相關，Resume 前可能還需要重新 Verification。因此 Approval 後的流程也可以設計成 Resume → Freshness Check → Verification → Execute，而不是永遠 Resume → Execute。

這再次說明 State Persistence 並不是單純把資料存起來，而是讓 Workflow 在恢復之後仍然有能力判斷：先前的狀態現在還能不能安全使用？

可控 Workflow 不代表每一步都寫死

完成今天的 Graph 之後，也不要誤以為 LangGraph 的目標是把 Agent 變成傳統 RPA。例如「這個問題應該查 Sheets 還是文件？」仍然可以交給 Coordinator / LLM 判斷；「第一次文件搜尋結果不足，應該怎麼改 Query？」也可以保留 Agentic Decision。真正被 Graph 固定的是這三件事：

• Verification 沒通過不能進 Action。
• Retry 不能超過兩次。
• 高風險 Action 一定要經過 Approval。

也就是：

Graph 控制邊界，Agent 在邊界內做判斷。

這就是前一天提過的「可控自主性」真正落到實作上的樣子。

Data Machi 到 Day 25 發生了什麼變化？

回頭看整個系列，Data Machi 一開始只是：

Question → LLM → Answer

接著加入 RAG、Google Sheets Tool、Coordinator、Memory 與 Verification。到了 Day 25，這些能力不再只是全部堆在 Agent 身上，而開始被重新整理成一條有責任、有狀態、有分支的 Workflow。

在今天這份 Workflow 規格裡，它比較接近：

Question → Router → Tool → Verification → Clarification / Retry / Approval → Answer / Action

真正的差異不是功能突然增加，而是我們開始知道：

• 每一項責任在哪一個 Node
• 每一份資料存在 State 的哪裡
• 什麼條件會走哪一條 Edge
• 哪一類錯誤可以 Retry
• 哪一種資訊需要 Clarification
• 哪些 Action 必須人工批准
• Workflow 什麼時候應該停止

這些能力才讓 Agent 從 Prototype 逐漸變成可以被管理的系統。

今天的重點：
Data Machi 不再只是一個「會自己決定下一步」的 Agent，而開始成為一條可以觀察、測試、重試、暫停與人工介入的 Workflow。LangGraph 真正帶來的價值，是把原本藏在 Prompt 與 Agent Loop 裡的規則，轉換成清楚的 State、Node、Edge 與 Failure Path，同時保留模型在需要語意判斷之處的自主性。

下一篇開始，我們會從「架構正確性」走向「產品可靠性」。因為即使 Workflow 設計得再漂亮，真實世界的 API 仍然一定會遇到 Timeout、Rate Limit、暫時失敗與第三方服務不可用。下一步要處理的，就是這些問題發生時，系統怎麼失敗得更可靠。

我們下集見囉！