LangGraph工作流人机交互

示例代码

注：将ppt后缀名改为zip后解压

python版本：3.12.4

Human-in-the-loop(人机交互)

人机交互（或称“在循环中”）工作流将人类输入整合到自动化过程中，在关键阶段允许决策、验证或修正。这在基于 LLM 的应用中尤其有用，因为基础模型可能会产生偶尔的不准确性。在合规、决策或内容生成等低误差容忍场景中，人类的参与通过允许审查、修正或覆盖模型输出来确保可靠性。

使用案例​

基于 LLM 应用中的人机交互工作流的关键使用案例包括：

1. 🛠️ 审查工具调用：人类可以在工具执行之前审查、编辑或批准 LLM 请求的工具调用。
2. ✅ 验证 LLM 输出：人类可以审查、编辑或批准 LLM 生成的内容。
3. 💡 提供上下文：使 LLM 能够明确请求人类输入以进行澄清或提供额外细节，或支持多轮对话。

interrupt​

interrupt函数 在 LangGraph 中通过在特定节点暂停图形、向人类展示信息以及使用他们的输入恢复图形，从而启用人工干预工作流。该函数对于批准、编辑或收集额外输入等任务非常有用。interrupt函数 与 Command 对象结合使用，以人类提供的值恢复图形。

from langgraph.types import interrupt

def human_node(state: State):
    value = interrupt(
        # 任何可序列化为 JSON 的值，供人类查看。
        # 例如，一个问题、一段文本或状态中的一组键
       {
          "text_to_revise": state["some_text"]
       }
    )
    # 使用人类的输入更新状态或根据输入调整图形。
    return {
        "some_text": value
    }

graph = graph_builder.compile(
    checkpointer=checkpointer # `interrupt` 工作所需
)

# 运行图形直到遇到中断
thread_config = {"configurable": {"thread_id": "some_id"}}
graph.invoke(some_input, config=thread_config)

# 用人类的输入恢复图形
graph.invoke(Command(resume=value_from_human), config=thread_config)

{'some_text': '编辑后的文本'}

Warning

中断非常强大且易于使用。然而，尽管它们在开发者体验上可能类似于 Python 的 input() 函数，但重要的是要注意，它们不会自动从中断点恢复执行。相反，它们会重新运行使用中断的整个节点。 因此，中断通常最好放置在节点的开头或一个专用的节点中。请阅读 从中断恢复 部分以获取更多细节。

完整代码

要求​

要在图形中使用 interrupt，您需要：

1. 指定一个检查点，以在每一步后保存图形状态。
2. 在适当位置调用 interrupt()。有关示例，请参见 设计模式 部分。
3. 使用 线程 ID 运行图形，直到触发 interrupt。
4. 使用 invoke/ainvoke/stream/astream 恢复执行（见 Command原语）。

设计模式​

您通常可以采取三种不同的行动来实现人工干预工作流：