前言

Agent 可能不可靠，并且可能需要人工输入才能成功完成任务。因此，您可能希望在运行之前需要人工批准，以确保一切按预期运行。例如以下操作：

1. 批准工具调用并继续
2. 手动修改工具调用然后继续
3. 给出自然语言反馈，然后将其传回给代理

我们可以使用 interrupt() 函数在 LangGraph 中实现这些功能。

LangGraph 的 持久化 层支持人在回路工作流，允许根据用户反馈暂停和恢复执行。此功能的主要接口是 interrupt 函数。

在节点内部调用 interrupt 将暂停执行。通过传入 Command，可以恢复执行，并接收来自人工的新输入。

官方资料

API 参考：interrupt

操作指南：人类在环

官方文档：提示聊天机器人

实践人工协助聊天机器人

创建可以人工协助的聊天机器人

在本节，我们在第三部分的现有代码基础上添加一个humna_assistance工具，此工具使用 interrupt 从人工接收信息。

import os
from typing import Annotated

# from langchain.chat_models import init_chat_model
from langchain_openai import ChatOpenAI
from langchain_tavily import TavilySearch
from langchain_core.tools import tool
from typing_extensions import TypedDict

from langgraph.checkpoint.memory import MemorySaver# 内存检查点，用于保存会话状态
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition# 预构建的工具节点和条件路由函数

from langgraph.types import Command, interrupt# 命令类型和中断函数，用于与外部交互

#环境变量设置
os.environ['TAVILY_API_KEY'] = 'TAVILY_API_KEY'
os.environ['ARK_API_KEY'] = 'API_KEY'

class State(TypedDict):
    messages: Annotated[list, add_messages]


graph_builder = StateGraph(State)

# 使用@tool装饰器定义自定义工具：请求人工协助
@tool
def human_assistance(query: str) -> str:
    """Request assistance from a human."""
    human_response = interrupt({"query": query})
    return human_response["data"]


tool = TavilySearch(max_results=2)
tools = [tool, human_assistance]# 定义工具列表，包含Tavily搜索和人工协助工具

llm = ChatOpenAI(
    base_url="https://ark.cn-beijing.volces.com/api/v3",
    api_key=os.environ.get('ARK_API_KEY'),  
    model="doubao-1-5-pro-32k-250115"  # 根据实际模型名称修改
)

llm_with_tools = llm.bind_tools(tools)

# 定义聊天机器人节点函数，处理对话逻辑
def chatbot(state: State):
    message = llm_with_tools.invoke(state["messages"])
    # Because we will be interrupting during tool execution,由于工具执行时可能触发中断，为避免恢复时重复调用，
    # we disable parallel tool calling to avoid repeating any
    # tool invocations when we resume.
    assert len(message.tool_calls) <= 1# 限制每次最多生成1个工具调用请求
    return {"messages": [message]}


graph_builder.add_node("chatbot", chatbot)

tool_node = ToolNode(tools=tools)
graph_builder.add_node("tools", tool_node)

graph_builder.add_conditional_edges(
    "chatbot",
    tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.add_edge(START, "chatbot")

memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

我们开始对话尝试让聊天机器人去请求人工协助：

user_input = "I need some expert guidance for building an AI agent. Could you request assistance for me?"
config = {"configurable": {"thread_id": "1"}}

events = graph.stream(
    {"messages": [{"role": "user", "content": user_input}]},
    config,
    stream_mode="values",
)
for event in events:
    if "messages" in event:
        event["messages"][-1].pretty_print()

返回结果：

================================ Human Message =================================

I need some expert guidance for building an AI agent. Could you request assistance for me?
================================== Ai Message ==================================

用户需要关于构建AI代理的专家指导，调用human_assistance函数请求人工协助。
Tool Calls:
  human_assistance (call_2y67vyca6qdhn3egwq4xh5v6)
 Call ID: call_2y67vyca6qdhn3egwq4xh5v6
  Args:
    query: 需要关于构建AI代理的专家指导

聊天机器人生成了一个工具调用，但执行被中断了！请注意，如果我们检查图状态，会发现它停在了工具节点。

snapshot = graph.get_state(config)
snapshot.next

返回的待处理节点：

('tools',)

要恢复执行，请传递一个包含工具预期数据的 Command 对象。此数据的格式可以根据需要进行自定义。在本示例中，使用一个带有键 "data" 的字典：

human_response = (
    "We, the experts are here to help! We'd recommend you check out LangGraph to build your agent."
    " It's much more reliable and extensible than simple autonomous agents."
)

human_command = Command(resume={"data": human_response})

events = graph.stream(human_command, config, stream_mode="values")
for event in events:
    if "messages" in event:
        event["messages"][-1].pretty_print()

返回结果：

================================== Ai Message ==================================

用户需要关于构建AI代理的专家指导，调用human_assistance函数请求人工协助。
Tool Calls:
  human_assistance (call_2y67vyca6qdhn3egwq4xh5v6)
 Call ID: call_2y67vyca6qdhn3egwq4xh5v6
  Args:
    query: 需要关于构建AI代理的专家指导
================================= Tool Message =================================
Name: human_assistance

We, the experts are here to help! We'd recommend you check out LangGraph to build your agent. It's much more reliable and extensible than simple autonomous agents.
================================== Ai Message ==================================

专家推荐使用LangGraph来构建AI代理，它比简单的自主代理更可靠和可扩展。如果你想了解更多关于LangGraph的信息，可以继续向我提问。

可以看到我们冒充专家人工协助建议使用LangGraph来构建AI代理，AI也根据了我们的建议给出了回答。

恭喜!您已使用 interrupt 为您的聊天机器人添加了人在回路执行功能，从而在需要时进行人工监督和干预。这为您可以使用 AI 系统创建的潜在 UI 打开了大门。由于我们已经添加了检查点，只要底层的持久化层正在运行，图就可以无限期地暂停并在任何时候恢复，就像什么都没发生一样。

 我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来： 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

​