如何等待用户输入（函数式 API）¶

先决条件

本指南假定您熟悉以下内容

使用中断实现人机协作 (human-in-the-loop) 工作流
如何使用函数式 API 创建 ReAct 代理

人机协作 (HIL) 交互对于代理系统至关重要。等待人工输入是一种常见的人机协作交互模式，它允许代理向用户询问澄清问题并等待输入，然后再继续进行。

我们可以在 LangGraph 中使用 interrupt() 函数来实现这一点。 interrupt 允许我们停止图执行以收集用户的输入，并使用收集到的输入继续执行。

本指南演示了如何使用 LangGraph 的函数式 API 来实现人机协作工作流。具体来说，我们将演示

一个简单的用法示例
如何与 ReAct 代理一起使用

设置¶

首先，让我们安装所需的包并设置我们的 API 密钥

pip install -U langgraph langchain-openai

import getpass
import os


def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")


_set_env("OPENAI_API_KEY")

设置 LangSmith 以便更好地调试

注册 LangSmith 以快速发现问题并提高 LangGraph 项目的性能。LangSmith 允许您使用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用——请阅读文档以了解如何开始。

简单用法¶

让我们演示一个简单的用法示例。我们将创建三个任务

附加 "bar"。
暂停等待人工输入。恢复时，附加人工输入。
附加 "qux"。

^{API 参考：entrypoint | task | Command | interrupt}

from langgraph.func import entrypoint, task
from langgraph.types import Command, interrupt


@task
def step_1(input_query):
    """Append bar."""
    return f"{input_query} bar"


@task
def human_feedback(input_query):
    """Append user input."""
    feedback = interrupt(f"Please provide feedback: {input_query}")
    return f"{input_query} {feedback}"


@task
def step_3(input_query):
    """Append qux."""
    return f"{input_query} qux"

我们现在可以将这些任务组合在一个简单的入口点中

^{API 参考：MemorySaver}

from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()


@entrypoint(checkpointer=checkpointer)
def graph(input_query):
    result_1 = step_1(input_query).result()
    result_2 = human_feedback(result_1).result()
    result_3 = step_3(result_2).result()

    return result_3

我们所做的一切，旨在实现人机协作工作流，就是在任务内部调用了 interrupt()。

提示

先前任务（本例中为 step_1）的结果会持久化，因此在 interrupt 后不会再次运行。

让我们发送一个查询字符串

config = {"configurable": {"thread_id": "1"}}

for event in graph.stream("foo", config):
    print(event)
    print("\n")

{'step_1': 'foo bar'}


{'__interrupt__': (Interrupt(value='Please provide feedback: foo bar', resumable=True, ns=['graph:d66b2e35-0ee3-d8d6-1a22-aec9d58f13b9', 'human_feedback:e0cd4ee2-b874-e1d2-8bc4-3f7ddc06bcc2'], when='during'),)}

请注意，我们在 step_1 之后用 interrupt 暂停了。中断提供了恢复运行的指令。要恢复，我们发出一个包含 human_feedback 任务所需数据的 Command。

# Continue execution
for event in graph.stream(Command(resume="baz"), config):
    print(event)
    print("\n")

{'human_feedback': 'foo bar baz'}


{'step_3': 'foo bar baz qux'}


{'graph': 'foo bar baz qux'}

恢复后，运行通过剩余的步骤并按预期终止。

Agent¶

我们将基于如何使用函数式 API 创建 ReAct 代理指南中创建的代理进行构建。

在这里，我们将扩展代理，允许它在需要时寻求人类帮助。

定义模型和工具¶

首先，我们定义将在示例中使用的工具和模型。正如在 ReAct 代理指南中一样，我们将使用一个获取地点天气描述的单一占位工具。

此示例将使用 OpenAI 聊天模型，但任何支持工具调用的模型都可以。

^{API 参考：ChatOpenAI | tool}

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

model = ChatOpenAI(model="gpt-4o-mini")


@tool
def get_weather(location: str):
    """Call to get the weather from a specific location."""
    # This is a placeholder for the actual implementation
    if any([city in location.lower() for city in ["sf", "san francisco"]]):
        return "It's sunny!"
    elif "boston" in location.lower():
        return "It's rainy!"
    else:
        return f"I am not sure what the weather is in {location}"

为了寻求人类帮助，我们可以简单地添加一个调用 interrupt 的工具

^{API 参考：Command | interrupt}

from langgraph.types import Command, interrupt


@tool
def human_assistance(query: str) -> str:
    """Request assistance from a human."""
    human_response = interrupt({"query": query})
    return human_response["data"]


tools = [get_weather, human_assistance]

定义任务¶

我们的任务与 ReAct 代理指南中的任务没有变化

调用模型：我们希望使用消息列表查询我们的聊天模型。
调用工具：如果我们的模型生成了工具调用，我们希望执行它们。

我们只是给模型增加了一个可访问的工具。

^{API 参考：ToolMessage | entrypoint | task}

from langchain_core.messages import ToolMessage
from langgraph.func import entrypoint, task

tools_by_name = {tool.name: tool for tool in tools}


@task
def call_model(messages):
    """Call model with a sequence of messages."""
    response = model.bind_tools(tools).invoke(messages)
    return response


@task
def call_tool(tool_call):
    tool = tools_by_name[tool_call["name"]]
    observation = tool.invoke(tool_call)
    return ToolMessage(content=observation, tool_call_id=tool_call["id"])

定义入口点¶

我们的入口点也与ReAct 代理指南中的入口点保持不变

^{API 参考：MemorySaver | add_messages}

from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph.message import add_messages

checkpointer = MemorySaver()


@entrypoint(checkpointer=checkpointer)
def agent(messages, previous):
    if previous is not None:
        messages = add_messages(previous, messages)

    llm_response = call_model(messages).result()
    while True:
        if not llm_response.tool_calls:
            break

        # Execute tools
        tool_result_futures = [
            call_tool(tool_call) for tool_call in llm_response.tool_calls
        ]
        tool_results = [fut.result() for fut in tool_result_futures]

        # Append to message list
        messages = add_messages(messages, [llm_response, *tool_results])

        # Call model again
        llm_response = call_model(messages).result()

    # Generate final response
    messages = add_messages(messages, llm_response)
    return entrypoint.final(value=llm_response, save=messages)

用法¶

让我们用一个需要人类协助的问题来调用我们的模型。我们的问题还需要调用 get_weather 工具

def _print_step(step: dict) -> None:
    for task_name, result in step.items():
        if task_name == "agent":
            continue  # just stream from tasks
        print(f"\n{task_name}:")
        if task_name == "__interrupt__":
            print(result)
        else:
            result.pretty_print()

config = {"configurable": {"thread_id": "1"}}

user_message = {
    "role": "user",
    "content": (
        "Can you reach out for human assistance: what should I feed my cat? "
        "Separately, can you check the weather in San Francisco?"
    ),
}
print(user_message)

for step in agent.stream([user_message], config):
    _print_step(step)

{'role': 'user', 'content': 'Can you reach out for human assistance: what should I feed my cat? Separately, can you check the weather in San Francisco?'}

call_model:
================================== Ai Message ==================================
Tool Calls:
  human_assistance (call_joAEBVX7Abfm7TsZ0k95ZkVx)
 Call ID: call_joAEBVX7Abfm7TsZ0k95ZkVx
  Args:
    query: What should I feed my cat?
  get_weather (call_ut7zfHFCcms63BOZLrRHszGH)
 Call ID: call_ut7zfHFCcms63BOZLrRHszGH
  Args:
    location: San Francisco

call_tool:
================================= Tool Message =================================

content="It's sunny!" name='get_weather' tool_call_id='call_ut7zfHFCcms63BOZLrRHszGH'

__interrupt__:
(Interrupt(value={'query': 'What should I feed my cat?'}, resumable=True, ns=['agent:aa676ccc-b038-25e3-9c8a-18e81d4e1372', 'call_tool:059d53d2-3344-13bc-e170-48b632c2dd97'], when='during'),)

请注意，我们生成了两个工具调用，尽管我们的运行被中断了，但我们并没有阻塞 get_weather 工具的执行。

让我们检查我们在哪里被中断了

print(step)

{'__interrupt__': (Interrupt(value={'query': 'What should I feed my cat?'}, resumable=True, ns=['agent:aa676ccc-b038-25e3-9c8a-18e81d4e1372', 'call_tool:059d53d2-3344-13bc-e170-48b632c2dd97'], when='during'),)}

我们可以通过发出一个 Command 来恢复执行。请注意，我们在 Command 中提供的数据可以根据 human_assistance 的实现进行定制，以满足您的需求。

human_response = "You should feed your cat a fish."
human_command = Command(resume={"data": human_response})

for step in agent.stream(human_command, config):
    _print_step(step)

call_tool:
================================= Tool Message =================================

content='You should feed your cat a fish.' name='human_assistance' tool_call_id='call_joAEBVX7Abfm7TsZ0k95ZkVx'

call_model:
================================== Ai Message ==================================

For human assistance, you should feed your cat fish. 

Regarding the weather in San Francisco, it's sunny!

上面，当我们恢复时，我们提供了最终的工具消息，允许模型生成其响应。查看 LangSmith 跟踪以查看运行的完整分解