Rexera 的 AI 代理如何通过 LangGraph 驱动质量控制

Rexera 正在利用 AI 自动化手动工作流程，从而革新价值 500 亿美元的房地产交易行业。通过部署智能 AI 代理，Rexera 精简了房地产运营，加速了交易，并显著降低了成本和错误。

Rexera 结合 LangChain 和 LangGraph 以及他们的大型语言模型 (LLM)，开发了先进的 AI 代理。这些 AI 代理执行复杂的认知任务，例如

下面，我们将探讨 Rexera 如何创建了一个强大的质量控制 (QC) 应用程序，该程序以人工操作员的精度审查房地产工作流程，同时主动识别问题以防止延误。我们将探讨他们的系统如何演变，从最初的单提示方法到使用 LangGraph 的更可控和准确的解决方案。

初始方法：单提示 LLM 检查及其局限性

质量控制在房地产交易中至关重要。Rexera 开发了一个专门的 QC 应用程序，每天审查数千个工作流程。此应用程序检查房地产交易各个阶段的错误，包括数据处理、客户沟通以及与对方（如业主协会 (HOA)、县政府部门、公用事业公司等）的互动。

为了确保房地产交易的质量，Rexera 最初实施了多项单提示 LLM 检查。这些检查旨在验证

然而，这种方法存在局限性。单提示 LLM 在处理复杂的房地产工作流程时遇到了困难，原因如下：它们无法掌握工作流程的完整范围，上下文有限，并且无法正确处理多维度场景。

Rexera 使用三个关键指标跨数千个工作流程运行来评估 LLM 检查的有效性

这种方法通过标记潜在问题并减少手动审查需求来简化 QC。然而，Rexera 意识到需要更高级的解决方案来有效处理复杂的房地产工作流程。

认识到单提示 LLM 的局限性，Rexera 随后尝试了使用 CrewAI 的多代理方法，其中每个 AI 代理监督交易流程的不同部分。例如，一个代理将定义为

这种方法比单提示 LLM 有所改进

然而，CrewAI 方法出现了一个关键挑战。虽然 AI 代理功能强大，但有时会在决策中走错路，就像 GPS 系统选择了一条更长的路线。这种缺乏精确控制意味着在复杂的情况下，代理可能会偏离轨道，导致误报或漏报。

为了克服 CrewAI 方法的局限性，Rexera 转而使用 LangGraph，为各种场景自定义设计决策路径，尤其是在复杂情况下获益匪浅。LangGraph 由 LangChain 团队构建，是一个可控的代理框架，为 Rexera 带来了额外的优势，包括人机协作工作流程的集成、状态管理等。

为了说明新的基于 LangGraph 的方法的有效性，让我们考虑一下加急订单——房地产工作流程中常见的复杂情况，其中交易完成时间必须快于标准时间表。

使用 LangGraph，Rexera 为质量控制 (QC) 应用程序创建了一个树状结构，该结构允许循环和分支。这种结构使 QC 应用程序能够根据加急要求导航不同的路径。

当应用程序识别出加急订单时，它会被定向到树的“加急订单”分支。对于标准订单，应用程序遵循不同的分支，专注于常规处理检查。

LangGraph 支持的这种树状结构，通过引入更具确定性的决策并减少代理走错路的随机性，显著提高了 Rexera QC 流程的准确性和完整性。这种转变带来了结果的更高一致性，确保工作流程准确高效地完成。

这种使用 LangGraph 的方法增加了对 CrewAI 所做的改进，从而导致

为了比较相同加急订单场景的这些输出，以下示例分解了每种新架构的 QC 结果

单提示 LLM 输出

CrewAI 输出

LangGraph 输出

发现问题：“是”
解释：“订单详情显示‘加急订单：否’，尽管客户要求并经我们确认和执行了加急订单。”
分析： 完全准确——LangGraph 不仅确认了加急订单已被确认和执行，还识别出订单类型的记录方式不一致。通过遵循自定义决策路径，它确保了对加急订单的确认以及订单类型的正确处理都得到了验证，从而防止了任何潜在的延误或问题。