Day 12：簡化的意圖路由 - 教練的「聽力」 - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

2026 iThome 鐵人賽

DAY 12

AI Engineering

30天用 Claude Code + LangGraph 實作個人化 AI 學習教練系列第 12 篇

Day 12：簡化的意圖路由 - 教練的「聽力」

18th鐵人賽

pst

團隊nutc imac

2026-09-26 13:25:16

67 瀏覽

分享至

昨天教練有了記憶，但不管你說什麼，它都只會做同一件事：把整段對話丟給模型，換一句回應。使用者說「幫我排計畫」跟「我今天做完了」，走的是完全一樣的路線，教練根本分不出這兩句話該用不同方式處理。

今天要讓圖第一次出現「分岔路」。教練要先聽懂使用者這句話屬於哪一種意圖，再決定接下來要做什麼，這是 LangGraph 真正發揮威力的地方：不再是一條直線，而是一張會依照條件走不同路的圖。

簡化的三類意圖

真實世界的意圖分類可以做得很複雜，但 30 天時間有限，先簡化成三種，夠用就好：

計畫意圖：使用者想建立或調整學習計畫，例如「幫我制定計畫」「調整今天的任務」
回報意圖：使用者在回報進度或狀況，例如「我完成了」「我遇到問題」「進度落後了」
問答意圖：以上兩者都不是，單純想問問題，例如「EC2 跟 S3 差在哪」

為什麼用關鍵字匹配，不直接問模型

判斷意圖這件事，理論上也可以丟給 Ollama 判斷，但今天故意選最簡單的做法：關鍵字匹配。原因很實際：

關鍵字匹配不用等模型回應，幾乎是零延遲，路由這種「決定走哪條路」的判斷，愈快愈好
不用擔心模型有時候答非所問，關鍵字匹配的結果 100% 可預期，好測試、好除錯
三個分類已經涵蓋大部分情境，殺雞不用牛刀

以後如果三個分類不夠用，或關鍵字誤判太多，隨時可以把 classify_intent 換成呼叫模型判斷，介面完全不用改，這是先簡單再視情況升級的思路。

Router 在圖上長什麼樣子

昨天的圖是一條直線：START → chat → END。今天要變成這樣：

                    ┌──→ plan（計畫）  ──┐
START → router ──┼──→ report（回報）──┼──→ END
                    └──→ qa（問答）   ──┘

router 是一個 Node，跟平常的 Node 一樣，收 State、回傳更新後的 State，只是它更新的是一個新欄位 intent。接在 router 後面的不是普通的 add_edge，而是 add_conditional_edges：LangGraph 會讀 intent 這個值，決定接下來要走哪一條路。

實作步驟

步驟1：State 加上 intent 欄位

檔案位置: backend/graph.py
狀態: 修改檔案（在 ChatState 裡加一個欄位）
用途: State 多記錄一個「目前這輪對話的意圖」
依賴: 無

class ChatState(TypedDict):
    """messages 是一個清單，每輪對話會被「加進去」而不是覆蓋掉"""
    messages: Annotated[list, add_messages]
    intent: str

步驟2：寫 Router，用關鍵字判斷意圖

檔案位置: backend/router_node.py
狀態: 新增檔案
用途: 用關鍵字匹配判斷使用者這句話屬於哪一種意圖
依賴: 無

PLAN_KEYWORDS = ["計畫", "安排", "規劃", "重新排", "調整進度"]
REPORT_KEYWORDS = ["完成", "做完", "讀完", "學完", "卡住", "遇到問題", "進度落後", "延期"]


def classify_intent(state: dict) -> dict:
    """Node：讀最後一則使用者訊息，用關鍵字判斷屬於哪一種意圖"""
    latest_message = state["messages"][-1].content

    if any(keyword in latest_message for keyword in PLAN_KEYWORDS):
        intent = "plan"
    elif any(keyword in latest_message for keyword in REPORT_KEYWORDS):
        intent = "report"
    else:
        intent = "qa"

    return {"intent": intent}

邏輯很直白：先檢查有沒有出現「計畫」類的關鍵字，再檢查「回報」類的，兩個都沒中就歸類成「問答」。PLAN_KEYWORDS 放在前面檢查，是因為像「調整進度」這種句子同時帶有計畫和回報的味道，先判斷計畫類，符合大部分使用情境。

步驟3：三個目的地 Node（先用簡化版本）

Day 13 才會真正寫出完整的 Planner Agent，今天先讓三個目的地都能各自回應、證明路由有走對，之後再把裡面的邏輯換成真正的功能。

檔案位置: backend/graph.py
狀態: 修改檔案（接續步驟1，繼續往下加）
用途: 定義三個意圖各自對應的 Node
依賴: langchain-ollama, langchain-core

from langchain_core.messages import SystemMessage
from langchain_ollama import ChatOllama

_llm = ChatOllama(model="llama3.1:8b", temperature=0.3)

_PLAN_SYSTEM = "使用者想建立或調整學習計畫。先簡短確認你聽懂了需求，計畫細節之後會有專門的功能處理，這裡不用真的生成完整計畫。"
_REPORT_SYSTEM = "使用者在回報進度或遇到的狀況。給予簡短的鼓勵或回應，讓使用者知道你有聽到。"
_QA_SYSTEM = "使用者在問一般性的問題，直接簡短回答。"


def plan_node(state: ChatState) -> dict:
    """處理計畫意圖"""
    prompt = [SystemMessage(content=_PLAN_SYSTEM)] + state["messages"]
    response = _llm.invoke(prompt)
    return {"messages": [response]}


def report_node(state: ChatState) -> dict:
    """處理回報意圖"""
    prompt = [SystemMessage(content=_REPORT_SYSTEM)] + state["messages"]
    response = _llm.invoke(prompt)
    return {"messages": [response]}


def qa_node(state: ChatState) -> dict:
    """處理問答意圖"""
    prompt = [SystemMessage(content=_QA_SYSTEM)] + state["messages"]
    response = _llm.invoke(prompt)
    return {"messages": [response]}

三個 Node 現在做的事很像，都是「換一個系統提示詞、呼叫模型」，差別只在系統提示詞內容不同。Day 13 開始，plan_node 會被換成真正查資料庫、生成結構化計畫的邏輯，其他兩個之後也會陸續補完。

步驟4：組圖，加上分岔

檔案位置: backend/graph.py
狀態: 修改檔案（接續步驟3，取代原本的圖組建邏輯）
用途: 加上 router 與三條分岔路線，組建最終的 graph
依賴: langgraph, langgraph-checkpoint-sqlite

import sqlite3
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.sqlite import SqliteSaver
from router_node import classify_intent

_conn = sqlite3.connect("checkpoints.sqlite", check_same_thread=False)
_checkpointer = SqliteSaver(_conn)

graph_builder = StateGraph(ChatState)

graph_builder.add_node("router", classify_intent)
graph_builder.add_node("plan", plan_node)
graph_builder.add_node("report", report_node)
graph_builder.add_node("qa", qa_node)

graph_builder.add_edge(START, "router")

# 分岔：讀 State 裡的 intent，決定接下來走哪個 Node
graph_builder.add_conditional_edges(
    "router",
    lambda state: state["intent"],
    {"plan": "plan", "report": "report", "qa": "qa"},
)

graph_builder.add_edge("plan", END)
graph_builder.add_edge("report", END)
graph_builder.add_edge("qa", END)

graph = graph_builder.compile(checkpointer=_checkpointer)

add_conditional_edges("router", lambda state: state["intent"], {...}) 是今天的重點：第一個參數是分岔點的 Node 名稱，第二個參數是一個函式，讀 State 回傳一個字串，第三個參數是「字串對應到哪個 Node」的對照表。跑到 router 之後，LangGraph 會呼叫這個函式，拿到 intent 的值，查表決定走哪一條路。

完整的 graph.py 到這裡長這樣：

import sqlite3
from typing import Annotated
from typing_extensions import TypedDict
from langchain_core.messages import SystemMessage
from langchain_ollama import ChatOllama
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.sqlite import SqliteSaver
from router_node import classify_intent


class ChatState(TypedDict):
    """messages 是一個清單，每輪對話會被「加進去」而不是覆蓋掉"""
    messages: Annotated[list, add_messages]
    intent: str


_llm = ChatOllama(model="llama3.1:8b", temperature=0.3)

_PLAN_SYSTEM = "使用者想建立或調整學習計畫。先簡短確認你聽懂了需求，計畫細節之後會有專門的功能處理，這裡不用真的生成完整計畫。"
_REPORT_SYSTEM = "使用者在回報進度或遇到的狀況。給予簡短的鼓勵或回應，讓使用者知道你有聽到。"
_QA_SYSTEM = "使用者在問一般性的問題，直接簡短回答。"


def plan_node(state: ChatState) -> dict:
    """處理計畫意圖"""
    prompt = [SystemMessage(content=_PLAN_SYSTEM)] + state["messages"]
    response = _llm.invoke(prompt)
    return {"messages": [response]}


def report_node(state: ChatState) -> dict:
    """處理回報意圖"""
    prompt = [SystemMessage(content=_REPORT_SYSTEM)] + state["messages"]
    response = _llm.invoke(prompt)
    return {"messages": [response]}


def qa_node(state: ChatState) -> dict:
    """處理問答意圖"""
    prompt = [SystemMessage(content=_QA_SYSTEM)] + state["messages"]
    response = _llm.invoke(prompt)
    return {"messages": [response]}


_conn = sqlite3.connect("checkpoints.sqlite", check_same_thread=False)
_checkpointer = SqliteSaver(_conn)

graph_builder = StateGraph(ChatState)

graph_builder.add_node("router", classify_intent)
graph_builder.add_node("plan", plan_node)
graph_builder.add_node("report", report_node)
graph_builder.add_node("qa", qa_node)

graph_builder.add_edge(START, "router")

# 分岔：讀 State 裡的 intent，決定接下來走哪個 Node
graph_builder.add_conditional_edges(
    "router",
    lambda state: state["intent"],
    {"plan": "plan", "report": "report", "qa": "qa"},
)

graph_builder.add_edge("plan", END)
graph_builder.add_edge("report", END)
graph_builder.add_edge("qa", END)

graph = graph_builder.compile(checkpointer=_checkpointer)

跟 Day 11 的版本比起來，差別是：State 多了 intent 欄位、多了 router 和三個目的地 Node、還有 add_conditional_edges 這條分岔路線。ChatOllama 只需要建立一次，三個 Node 共用同一個 _llm，不用重複建立連線。

步驟5：先測 Router 本身，不用啟動 Ollama

Router 是純關鍵字比對，不用呼叫模型，所以可以獨立測試，跑得又快又不用等。

檔案位置: backend/test_router.py
狀態: 新增檔案
用途: 用至少10個測試用例驗證意圖分類正確
依賴: langchain-core, router_node

from langchain_core.messages import HumanMessage
from router_node import classify_intent

TEST_CASES = [
    ("幫我重新規劃這週的計畫", "plan"),
    ("我想調整一下學習計畫", "plan"),
    ("幫我安排明天要學的內容", "plan"),
    ("這週進度需要重新排一下", "plan"),
    ("我今天的任務做完了", "report"),
    ("我卡住了，這個概念看不懂", "report"),
    ("進度有點落後，需要延期", "report"),
    ("我今天完成了EC2的章節", "report"),
    ("EC2跟S3有什麼差別？", "qa"),
    ("什麼是VPC？", "qa"),
    ("這個服務適合什麼場景使用", "qa"),
]


def main() -> None:
    passed = 0
    for text, expected in TEST_CASES:
        state = {"messages": [HumanMessage(content=text)], "intent": ""}
        result = classify_intent(state)
        actual = result["intent"]
        mark = "✓" if actual == expected else "✗"
        if actual == expected:
            passed += 1
        print(f"{mark} 輸入：「{text}」　預期：{expected}　實際：{actual}")

    print(f"\n通過 {passed}/{len(TEST_CASES)} 個測試用例")


if __name__ == "__main__":
    main()

執行：

python test_router.py

應該看到全部 11 個測試用例都打勾，最後印出 通過 11/11 個測試用例。

步驟6：測試整張圖，確認真的走到不同 Node

檔案位置: backend/test_graph.py
狀態: 修改檔案（取代 Day 10 的內容）
用途: 驗證三種意圖真的會被路由到不同的 Node
依賴: graph

from graph import graph


def ask(user_message: str, thread_id: str) -> None:
    config = {"configurable": {"thread_id": thread_id}}
    result = graph.invoke(
        {"messages": [{"role": "user", "content": user_message}], "intent": ""},
        config,
    )
    print(f"輸入：{user_message}")
    print(f"判斷意圖：{result['intent']}")
    print(f"回應：{result['messages'][-1].content}\n")


def main() -> None:
    ask("幫我重新規劃這週的學習計畫", thread_id="test-plan")
    ask("我今天把EC2的章節讀完了", thread_id="test-report")
    ask("VPC是什麼？", thread_id="test-qa")


if __name__ == "__main__":
    main()

執行：

python test_graph.py

應該看到三次呼叫的 判斷意圖 分別是 plan、report、qa，而且每一個的回應內容也對得上：計畫那句會確認需求，回報那句會給鼓勵，問答那句會直接回答 VPC 是什麼。這裡故意用三個不同的 thread_id，讓三段對話互不干擾，方便看清楚每種意圖各自的結果。

常見問題

關鍵字判斷錯，例如「我想調整計畫，因為進度落後了」被判成 report

關鍵字匹配本來就是簡化版做法，遇到一句話同時帶兩種意圖的關鍵字時，只會照 classify_intent 裡檢查的順序取第一個符合的。目前是先檢查 PLAN_KEYWORDS，所以這句應該會被判成 plan；如果實際測試發現常常誤判，調整關鍵字清單或檢查順序即可。

`add_conditional_edges` 的字典 key 對不上，跑起來報錯

{"plan": "plan", "report": "report", "qa": "qa"} 這個字典的 key 必須跟 classify_intent 回傳的字串完全一致，value 則要對應到 add_node 時取的名字。兩邊有一個打錯字就會找不到對應的 Node。

為什麼三個 Node 現在做的事幾乎一樣？

故意的。今天的重點是「路由走得對不對」，不是「每個功能做得多完整」。先確認分岔邏輯正確，之後每天疊加一個 Node 的真正功能（Day 13 的計畫生成、Day 17 的每日建議），骨架不用重組。

`test_router.py` 不用開 Ollama 也能跑，這樣測試有意義嗎？

有意義，而且這是刻意設計的。classify_intent 本身不呼叫模型，純粹是字串比對，獨立測試可以跑得很快、不受模型速度影響，也能放進之後 Day 28 要寫的自動化測試裡，不用每次測都等模型跑。

一個使用者的三種意圖，記憶會互相干擾嗎？

不會，因為 Checkpoint 是照 thread_id分開存的。同一個使用者如果都用同一個 thread_id，三種意圖的對話歷史其實是接在同一條時間軸上的，這是預期行為，因為現實中一個人本來就會在同一段對話裡問問題、也回報進度、也調整計畫。

進度回顧

今天讓教練第一次「聽懂」使用者在說什麼。寫了 router_node.py 用關鍵字判斷三種意圖，圖上第一次出現分岔，11 個測試用例全部通過，也用 test_graph.py 證明三種意圖真的會被送到不同的 Node 處理。

系統現在是這樣的：

Day 1 ✓ 產品定義完成
Day 2 ✓ 開發環境準備
Day 3 ✓ 專案架構設計
Day 4 ✓ 資料庫設計
Day 5 ✓ SQLite 資料庫建置
Day 6 ✓ FastAPI 基礎
Day 7 ✓ 使用者檔案 API
Day 8 ✓ 理解 LLM Agent 的本質
Day 9 ✓ 連接 Ollama 本機模型
Day 10 ✓ LangGraph 最小範例
Day 11 ✓ Thread 與 State 管理
Day 12 ✓ 簡化的意圖路由（今天）
Day 13 ⬜ 計畫生成 Agent（Planner）

今天的 plan_node 只是一個會回話的空殼。明天要把它換成真正的 Planner Agent，讓它讀懂使用者的目標和可用時間，生成一份有結構的多週學習計畫。

Day 11：Thread 與 State 管理 - 讓對話有記憶

Day 13：計畫生成 Agent（Planner）

系列文

30天用 Claude Code + LangGraph 實作個人化 AI 學習教練共 16 篇

RSS系列文訂閱系列文

0 人訂閱

完整目錄

熱門推薦

{{ item.channelVendor }} | {{ item.webinarstarted }} |

直播中

1 則留言

tsengyulun

iT邦新手 5 級 ‧ 2026-09-28 17:29:37

甚麼時候吃壽司

回應 1
檢舉

pst iT邦新手 5 級 ‧ 2026-09-28 20:06:11 檢舉

你吃自己

登入發表回應

我要留言

立即登入留言

參賽組數

929 組

團體組數

32 組

累計文章數

15594 篇

完賽人數

213 人

15th鐵人賽 16th鐵人賽 13th鐵人賽 17th鐵人賽 14th鐵人賽 12th鐵人賽 18th鐵人賽 11th鐵人賽鐵人賽 2019鐵人賽 javascript 2018鐵人賽 python 2017鐵人賽 windows php c# linux windows server css

IT邦幫忙

30天用 Claude Code + LangGraph 實作個人化 AI 學習教練系列 第 12 篇