Remote 采用 LangChain 与 LangGraph 打造 AI 数据迁移代理，实现千客户快速入职

背景与挑战

Remote 是一家帮助企业在全球范围内招聘、管理并支付员工的 SaaS 平台。每位新客户都会带来数千行、数十 MB 的 Excel、CSV 或 SQL 导出文件，手工迁移既耗时又容易出错。传统的 LLM 直接读取整份文件会超出上下文窗口，并产生幻觉，无法满足合规与准确性的要求。

解决方案：让模型思考，让代码执行

Remote 在 AI 服务中实现了 Code Execution Agent，核心思路是把「思考」交给大语言模型（LLM），把「执行」交给沙盒化的 Python 代码。

• 文件接入：客户将原始数据上传至安全存储。
• 模型推理：使用 LangChain 的 tool‑calling 接口，LLM 根据任务指令生成转换步骤。
• 沙盒执行：在 WebAssembly 环境中运行 LLM 生成的 Python 代码，主要依赖 Pandas 完成列映射、清洗与验证。
• 迭代优化：若输出未达标，代理再次生成代码进行微调，直至符合 Remote 内部的 JSON schema。
• 结构化输出：最终的 JSON 文件直接供后端 ingest，整个过程几乎不把大数据回传模型，极大降低 token 消耗与幻觉风险。

为何选 LangChain 与 LangGraph

• LangChain 提供成熟的 Prompt 管理、Tool 调用抽象，使团队能够快速切换模型提供商，而无需自行实现复杂的接口。
• LangGraph 的节点‑边图模型让多步骤工作流透明可追溯，每个节点对应「上传 → 推理 → 执行 → 验证」等状态，失败时可自动重试或回滚，类似分布式流水线的调度方式。
• 两者的开源生态与 Remote 已发布的 Remote AI Agent Toolkit 保持一致，降低内部学习成本并促进社区贡献。

成果与影响

• 效率提升：从原本需要数天的手工脚本编写，缩短至数小时完成批量迁移。
• 可靠性增强：所有数据变换在受控的 Python 环境中执行，审计日志完整，可复现。
• 成本下降：仅将指令与少量摘要送入 LLM，Token 消耗下降约 80%。
• 可复用性：同一套 Agent 被抽象为通用的「文档 → JSON」转换模块，后续 OCR‑to‑JSON、合同解析等场景均可直接复用。

经验教训

1. LLM 适合规划，不适合直接处理大规模原始数据。
2. 工作流图化 能显著提升调试效率和可维护性。
3. 上下文窗口是稀缺资源，应把中间结果留在执行层。
4. Python + Pandas 仍是数据处理的首选，其生态成熟度难以被其他语言超越。

展望未来

Remote 正在将 Agent 体系化，打造「重复模式即 Agent」的 AI 基础设施。下一步计划将更多业务场景（如合同要素抽取、跨语言薪酬对账）模块化为可插拔的图形工作流，并将改进回馈至 LangChain 社区，推动开源生态的共同进步。

*“把 LLM 当作规划师，把代码当作工匠”，Remote 的这套混合式 AI 架构正重新定义企业级数据迁移的效率与安全底线。