用途：指导构建带记忆与状态的多轮对话机器人，适用于客服、帮助台、引导等需要多轮往来的场景。资料指出，若单轮回复、纯检索或工具调用即可满足，则不必引入对话状态架构。
主要能力与流程：
- 定义对话：明确机器人职责、对话状态、升级人工的时机、可参考的文档或数据。
- 用 DSPy 构建回复模块：以 dspy.Signature 定义输入输出（对话历史、上下文、用户消息、回复），用 dspy.ChainOfThought 生成回复；可加意图分类，按意图路由到专门处理器。配置示例：lm = dspy.LM("openai/gpt-4o-mini")；dspy.configure(lm=lm)。
- 用 LangGraph 管理状态：定义 ConversationState，构建分类、检索、回复、升级判断节点与条件边，编译为 app。
- 记忆：用 MemorySaver 做会话记忆，每个会话用独立 thread_id；生产环境可用 PostgresSaver；对话超过约 20 条时用摘要压缩，保留摘要与最近 5 条。
- 检索增强：每轮重新检索相关文档并基于文档回答，未覆盖时明确说明。
- 护栏：用 dspy.Refine 配合奖励函数约束回复质量；用 interrupt_before 在退款、注销等敏感动作前暂停，交由人工审核后再恢复。
- 优化与评估：构造对话训练集（需 with_inputs("conversation_history", "user_message", "context")），用 dspy.MIPROv2 优化并保存；用 dspy.Evaluate 在留出集上前后对比。资料给出的参考基线为：零样本约 55-65%，BootstrapFewShot 3-5 个示例约 70-80%，MIPROv2 在 50+ 示例上通常达 80-88%。
关键模式：DSPy 负责说什么，LangGraph 负责状态与路由；每轮重新检索；早做意图分类；敏感动作前中断；用真实对话日志优化。
限制与注意：状态转换、路由与记忆应放在 LangGraph 节点和边中，不要写进 DSPy forward()；每轮传完整历史会消耗大量 token；构建训练数据时漏掉 with_inputs 会导致优化失效。资料未提供具体收费、价格或平台支持信息。