graph LR
    A[开始] --> B[同步 Strava 活动]
    B --> C[汇总近期训练]
    C --> D[评估进度 vs 目标]
    D --> E[生成下周计划]
    E --> F{推荐策略?}
    F -- keep/保持 --> G[撰写周报邮件]
    F -- adjust or deload/调整或减载 --> H[调整计划 & 添加警告]
    H --> G
    G --> I[发送邮件]
    I --> J[结束]

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.

from typing import TypedDict, Literal, List, Dict

class StravaTrainingAgentState(TypedDict):
    activities: List[Dict] | None           # 原始活动数据
    training_summary: Dict | None           # 训练汇总
    goal: Dict                              # 用户目标
    sessions_per_week: int                  # 每周训练次数约束
    evaluation: Dict | None                 # 评估结果
    next_week_plan: List[Dict] | None       # 下周计划
    weekly_email: str | None                # 生成的邮件

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.

def generate_next_week_plan(state: StravaTrainingAgentState) -> dict:
    """LangGraph 节点：生成下周训练计划"""
    llm = LLMService() # 一个封装好的 LLM 调用服务
    goal = state["goal"]
    summary = state["training_summary"]
    sessions = state["sessions_per_week"]
    recommendation = state["evaluation"]["recommendation"] # 来自上一步的评估

    # 系统提示词：设定角色和规则
    system_prompt = """
    你是一名跑步教练。请只返回有效的 JSON 格式：
    一个包含以下字段的会话列表：星期几、描述、时长(分钟)、强度。
    严格遵守每周训练次数限制。除非是减载周，否则进度增幅不超过10%。
    """

    # 用户提示词：注入具体上下文
    user_prompt = f"""
    目标：{goal}
    近期训练汇总：{summary}
    当前建议：{recommendation}
    每周训练次数：{sessions}
    """

    # 调用 LLM 生成计划
    plan_json = llm.structured_completion(system_prompt, user_prompt)
    return {"next_week_plan": json.loads(plan_json)}

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.

from langgraph.graph import StateGraph, START, END

# 1. 创建图
graph = StateGraph(StravaTrainingAgentState)

# 2. 添加所有节点
graph.add_node("sync_strava", sync_strava_activities)
graph.add_node("summarize", summarize_recent_training)
graph.add_node("evaluate", evaluate_progress_vs_goal)
graph.add_node("generate_plan", generate_next_week_plan)
graph.add_node("adjust_plan", adjust_plan_add_warnings)
graph.add_node("compose_email", compose_weekly_email)
graph.add_node("send_email", send_email)

# 3. 添加边（定义执行顺序）
graph.add_edge(START, "sync_strava")
graph.add_edge("sync_strava", "summarize")
graph.add_edge("summarize", "evaluate")
graph.add_edge("evaluate", "generate_plan")

# 4. 关键！添加“条件边”，实现智能路由
graph.add_conditional_edges(
    "generate_plan", # 从哪个节点开始分支
    # 路由函数：根据状态中的“推荐策略”决定下一步
    lambda state: state["evaluation"]["recommendation"],
    {
        "keep": "compose_email",      # 若策略为“保持”，直接去写邮件
        "adjust": "adjust_plan",      # 若为“调整”，先去调整计划
        "deload": "adjust_plan",      # 若为“减载”，也去调整计划
    }
)
graph.add_edge("adjust_plan", "compose_email")
graph.add_edge("compose_email", "send_email")
graph.add_edge("send_email", END)

# 5. 编译图，获得可执行的应用
app = graph.compile()

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.