使用GoHumanLoop拓展AI Agent人机协同边界,这次连接到飞书

一. 前言

Hi,大家好,继续我们GoHumanLoop系列, 继上一次我开发了GoHumanLoop-Wework,将目前Agent系统的人机协同方式与企业微信连接,使你的AI Agent能接入到企业微信的审批流程中,方便随时控制你的 Agent。这次我又开发了GoHumanLoop-FeiShu,继续拓展AI Agent人机协同边界,这次我们连接到飞书。

这是GoHumanLoop系列的第五篇文章,之前文章如下:

感兴趣的朋友可以阅读往期文章,进一步了解GoHumanLoop

本期我将给大家介绍GoHumanLoop-FeiShuGoHumanLoop如何搭配使用,我们上车吧~ 🚗

二. LangGraph与飞书搭配的简单示例

我们先上来看一个实际演示示例,然后再看具体怎么部署

我编写一个最小化的AI Agent,并且使用GoHumanLoop库,增强人机协同Human-in-the-Loop功能。

python 复制代码
# /// script
# requires-python = ">=3.10"
# dependencies = [
# "gohumanloop>=0.0.12",
# "langgraph>=0.4.7",
# "langchain-openai>=0.3.12"]
# ///

"""
LangGraph 与 GoHumanLoop 简单集成示例,并对接飞书应用。

这是一个最小化示例,展示如何在 LangGraph 中使用 GoHumanLoopManager 和 LangGraphAdapter
进行人机交互。

配置:
- API 地址: http://localhost:8000/api
- API KEY: gohumanloop
"""

import os
import time
from typing import TypedDict, List, Dict
from dotenv import load_dotenv

# 导入 LangGraph 相关库
from langgraph.graph import StateGraph, END

# 导入 GoHumanLoop 相关库
from gohumanloop.adapters.langgraph_adapter import HumanloopAdapter
from gohumanloop.core.interface import HumanLoopStatus
from gohumanloop import DefaultHumanLoopManager, APIProvider
from gohumanloop.utils import get_secret_from_env

import logging

logging.basicConfig(level=logging.INFO)

# 设置环境变量
os.environ["GOHUMANLOOP_API_KEY"] = "46cf87c5-9d08-4027-b72a-f0a91f27298a"


# 定义简单状态类型
class SimpleState(TypedDict):
    messages: List[Dict[str, str]]


# 创建 GoHumanLoopManager 实例
manager = DefaultHumanLoopManager(
    APIProvider(
        name="ApiProvider",
        api_base_url="http://127.0.0.1:9800/api", # 换成自己飞书应用的URL
        api_key=get_secret_from_env("GOHUMANLOOP_API_KEY"),
        default_platform="feishu"
    )
)
# 创建 LangGraphAdapter 实例
adapter = HumanloopAdapter(
    manager=manager,
    default_timeout=300,  # 默认超时时间为5分钟
)

# 定义需要人工审批的节点
@adapter.require_info(
    task_id="simple-information-test",
    additional="这是一个简单的获取信息的示例。",
)
def get_information_node(state: SimpleState, info_result={}) -> SimpleState:
    """获取信息的节点"""
    print("获取人工信息...")
    print(f"info_result: {info_result}")

    
    state["messages"].append({
        "role": "system",
        "content": f"已获取信息: {info_result.get('response')}"
    })
    
    return state


# 定义需要人工审批的节点
@adapter.require_approval(
    task_id="simple-approval-test",
    additional="这是一个简单的审批示例。",
    execute_on_reject=True,
)
def human_approval_node(state: SimpleState, approval_result=None) -> SimpleState:
    """需要人工审批的节点"""
    print("人工审批完成中...")

    print(f"approval_result: {approval_result}")
    # 处理审批结果
    if approval_result:
        status = approval_result.get("status")
        response = approval_result.get("response", {})

        if status == HumanLoopStatus.APPROVED:
            state["messages"].append(
                {
                    "role": "human",
                    "content": f"审批已通过!理由: {response}",
                }
            )
        elif status == HumanLoopStatus.REJECTED:
            state["messages"].append(
                {
                    "role": "human",
                    "content": f"审批被拒绝。理由: {response}",
                }
            )

    return state


def final_node(state: SimpleState) -> SimpleState:
    """最终节点"""
    state["messages"].append({"role": "system", "content": "工作流程已完成!"})
    return state


# 构建工作流图
def build_simple_graph():
    """构建简单工作流图"""
    graph = StateGraph(SimpleState)

    # 添加节点
    graph.add_node("get_info", get_information_node)
    graph.add_node("human_approval", human_approval_node)
    graph.add_node("final", final_node)

    # 设置边
    graph.add_edge("get_info", "human_approval")
    graph.add_edge("human_approval", "final")
    graph.add_edge("final", END)

    # 设置入口
    graph.set_entry_point("get_info")

    return graph.compile()


# 运行工作流
def run_simple_workflow():
    """运行简单工作流"""
    with adapter:
        # 构建工作流图
        workflow = build_simple_graph()

        # 初始化状态
        initial_state = SimpleState(
            messages=[{"role": "system", "content": "开始简单工作流..."}],
        )

        # 运行工作流
        for output in workflow.stream(initial_state, stream_mode="values"):
            print(f"状态: {output}")

            # 等待一下,便于观察
            time.sleep(1)


# 主函数
if __name__ == "__main__":
    # 加载环境变量
    load_dotenv()

    # 运行工作流
    run_simple_workflow()

上述代码使用LangGraph框架,整个工作流比较简单,如下图所示:

graph TD Start --> get_info --> human_approval --> END
  1. get_info节点,模拟通过GoHumanLoop连接飞书获取到审批人提供的外部输入信息
  2. human_approval节点,模拟Agent在执行中需要审批的执行操作
python 复制代码
# 创建 GoHumanLoopManager 实例
manager = DefaultHumanLoopManager(
    APIProvider(
        name="ApiProvider",
        api_base_url="http://127.0.0.1:9800/api", # 换成自己飞书应用的URL
        api_key=get_secret_from_env("GOHUMANLOOP_API_KEY"),
        default_platform="feishu"
    )
)

代码中,定义了APIProvider 构造了默认HumanLoopManager,这个APIProvider就是对接到企业微信中部署的GoHumanLoop-FeiShu服务。用来发送请求和接收审批结果

python 复制代码
# 创建 LangGraphAdapter 实例
adapter = HumanloopAdapter(
    manager=manager,
    default_timeout=300,  # 默认超时时间为5分钟
)

# 定义需要获人工信息的节点
@adapter.require_info(
    task_id="simple-information-test",
    additional="这是一个简单的获取信息的示例。",
)

# 定义需要人工审批的节点
@adapter.require_approval(
    task_id="simple-approval-test",
    additional="这是一个简单的审批示例。",
    execute_on_reject=True,
)

LangGraphAdapter定义了适配LangGraph框架的适配对象,该对象的两个装饰器方法分别来封装到各自的节点中来说实现控制节点获取信息和审批操作。

  • 运行示例代码
shell 复制代码
uv run langgraph_wework.py

三. 示例展示

连接到飞书,可以通过飞书随时向AI Agent传递信息,帮助Agent顺利执行

在 AI Agent 开始高危操作时,通过向飞书发起审批,获取高危操作授权是非常有必要的。 GoHumanLoop工具就是拓展AI Agent人机协同边界,帮助人们更好的开发自己的 AI Agent。

Agent 运行完成~

以上就是使用GoHumanLoopGoHumanLoop-FeiShu拓展AI Agent人机协同到飞书的一个示例,接下来看一下该如何配置实现

四. 项目介绍

架构设计


GoHumanLoop与gohumanloop-feishu架构关系

  • GoHumanLoop提供了一套统一的 API 接口,通过API Provider对外提供。
  • gohumanloop-feishu实现了API Consumer的功能,通过API Provider来获取审批相关的信息,并且通过飞书 SDK 实现了与用户的飞书进行交互,发送审批请求和获取审批事件回调等人机交互协同的操作。

实现介绍

gohumanloop-feishu采用Beego作为 Web 框架。sqlite作为简单的数据存储。飞书 SDK作为飞书 API 实现。提供一个可拓展的 GoHumanLoop 飞书审批示例服务。

  • 访问 Swagger 文档:
go 复制代码
go run main.go
arduino 复制代码
http://127.0.0.1:9800/docs

gohumanloop-feishu 提供两大类接口,一个对接GoHumanLoop的 API Provider 的 HumanLoop接口。另一个是获取 API Key 的接口,方便安全认证。

五. 项目部署

💡 需要用户提前准备好飞书企业自建应用 详情见:open.feishu.cn/

  1. 用户需要获取飞书企业ID
  2. 用户需要在飞书中创建应用GoHumanLoop,获取应用ID应用Secret
  3. 用户需要在应用中,开启 API 接收消息事件。(使用使用长连接接收回调)
  4. 用户需要将应用ID应用Secret配置到 GoHumanLoop 中
  5. 用户需要在飞书中创建审批模板,获取审批模板ID信息模板ID
  6. 用户需要将审批模板ID信息模板ID创建人OpenId审批人OpenId配置到 GoHumanLoop 中

配置文件

  • 项目配置样例文件在conf/app.conf.example
yaml 复制代码
appname = gohumanloop-feishu
httpport = 9800 # HTTP 端口按需配置

# wework
appid = XXX # 企业应用ID
appsecret = XXX # 应用Secret

# template
approve_template_id = B102B40F-E288-4A48-8220-FB0E69990222 # 审批模板ID
info_template_id = 4B131588-A5E2-4CE6-91D1-5A208CA62EDA
creator_userid = ou_ed1d616f3023f7781808ce479b5f0fdd # 创建人ID,用户在应用中的OpenId
approver_userid = ou_ed1d616f3023f7781808ce479b5f0fdd  # 审批人ID,用户在应用中的OpenId

# database
datapath = ./data/gohumanloop.db # 数据库路径
  • 修改配置文件
bash 复制代码
mv conf/app.conf.example conf/app.conf

飞书审批模板

目前这个版本中,支持审批和信息获取。分别使用两个模板,模板格式固定,需要参考以下配置:

审批模板

  • 参考图片内的字段,都是文本控件和多行文本控件。包括以下字段
    1. 任务 ID
    2. 对话 ID
    3. 请求 ID
    4. HumanLoop 类型
    5. 申请内容
    6. 申请问题
    7. 申请说明

以上字段由 GoHumanLoop 库来传输并自动填充并自动发起审批流程

审批模板

  • 审批流程可以参考上图设置,审批人设置为自选


信息获取模板

  • 参考图片内的字段,都是文本控件和多行文本控件。详情同审批流程模板和说明


信息获取模板

  • 信息获取流程不需要具体审批,只需要获取具体信息,设置必须填写回执信息,否则无法获取信息。

部署方式

GoHumanLoop FeiShu 支持两种部署方式手动部署和 Docker 部署。

!WARNING\] 通过采用飞书 SDK 的 Websocket 长连接来接收回调消息,需要在飞书应用中开启长连接接收消息事件,支持本地部署。区别于企业微信的 Webhook 方案需要注册同企微主体下的服务器。服务器和域名需要已备案等这些繁琐的操作

1. 手动部署

Go 版本要求:1.23.0

  • 下载代码
shell 复制代码
git clone https://github.com/ptonlix/gohumanloop-feishu.git
  • 编译
shell 复制代码
make build
  • 运行
bash 复制代码
./gohumanloop-feishu

2. Docker 部署

  • 提前安装好 Docker 服务
bash 复制代码
docker pull ptonlix/gohumanloop-feishu:latest
  • 运行容器
bash 复制代码
docker run -d \
  --name gohumanloop-feishu \
  -v /path/to/local/conf:/app/conf \
  -v /path/to/local/data:/app/data \
  -p 9800:9800 \
  ptonlix/gohumanloop-feishu:latest

六. 总结

以上就是使用GoHumanLoopGoHumanLoop-FeiShu搭配使用,快速拓展你的Agent智能体人机协同边界,发货更大AI效能

更多信息欢迎你前往查看相关代码仓库

欢迎您的 Star 🌟🌟🌟~

相关推荐
MARS_AI_30 分钟前
智能呼叫中心系统:重构客户服务的核心引擎
人工智能·自然语言处理·重构·交互·信息与通信
遥不可及~~斌33 分钟前
Spring Boot RESTful API 设计指南:查询接口规范与最佳实践
spring boot·后端·restful
AI街潜水的八角2 小时前
图像修复:深度学习实现老照片划痕修复+老照片上色
人工智能·深度学习
HuggingFace4 小时前
Hugging Face 开源 HopeJR 机器臂!今天晚上直播带你深入技术核心
人工智能
SUPER52665 小时前
AI应用服务
人工智能
义薄云天us5 小时前
028_分布式部署架构
人工智能·分布式·架构·claude code
HuggingFace5 小时前
HF Papers 直播| AI for Science 专场
人工智能
机器视觉与AI6 小时前
半导体制造流程深度解析:外观缺陷检测的AI化路径与实践
人工智能·视觉检测·制造
熟悉的新风景7 小时前
springboot项目或其他项目使用@Test测试项目接口配置-spring-boot-starter-test
java·spring boot·后端
批量小王子8 小时前
2025-07-15通过边缘线检测图像里的主体有没有出血
人工智能·opencv·计算机视觉