GoHumanLoopHub开源上线，开启Agent人际协作新方式

👋 一.前言

Hi，大家好，从我做GohumanLoop想法至今几个月内已经发布了以下几个工具

GoHumanLoop SDK: Agent人机协同 Python库,GoHumanLoop的核心
gohumanloop-wework: 针对GoHumanLoop在企业微信场景下进行审批、获取信息操作的示例服务。方便用户在使用GohumanLoop时，对接到自己的企业微信环境中
gohumanloop-feishu: 针对GoHumanLoop在飞书场景下进行审批、获取信息等人机协同操作的示例服务。
gohumanloop-examples: 针对以上工具的使用的示例集合

在做的过程中，我逐渐发现要做好AI时代的人机协作，除了有各种工具之外，还需要一个集中式的管理平台，通过这个管理平台可以链接到各个业务系统，比如各类OA系统，还有其它移动端平台比如微信小程序等。通过GoHumanLoop SDK与这个平台连接打通用户的Agent，再通过这个平台分发和管理用户的人机交互协同，实现全场景全闭环人机协作。

这就是我们最近在做的 GoHumanLoopHub ，现在第一个版本已开源上线(坚持开源👊)

今天我们来一起看一下吧

✈️ 二.GoHumanLoopHub介绍

🚀 项目地址： github.com/ptonlix/goh...

GoHumanLoopHub 是作为 GoHumanLoop SDK 的官方服务平台，专门用于处理人机协同的请求，提供了用户管理、API 密钥管理、任务数据、协同请求管理等功能。

💡 GoHumanLoop: A Python library empowering AI agents to dynamically request human input (approval/feedback/conversation) at critical stages. Core features:

Human-in-the-loop control: Lets AI agent systems pause and escalate >decisions, enhancing safety and trust.

Multi-channel integration: Supports Terminal, Email, API, and frameworks like LangGraph/CrewAI.

Flexible workflows: Combines automated reasoning with human oversight for reliable AI operations.

Ensures responsible AI deployment by bridging autonomous agents and human judgment.

🛠️ 三.技术栈&特性

⚡ FastAPI ------ 用于 Python 后端 API。
- 🧰 SQLModel ------ Python 中的 SQL 数据库交互（ORM）。
- 🔍 Pydantic ------ 被 FastAPI 使用，用于数据验证和配置管理。
- 💾 PostgreSQL ------ 作为 SQL 数据库。
- 🔄 Alembic ------ 数据库迁移工具。
- 🔥 Redis ------ 用于缓存和会话存储。
- 📖 mongodb ------ 用于存储任务数据。
🚀 React ------ 用于前端开发。
- 💃 使用 TypeScript、Hooks、Vite 等现代前端技术栈。
- 🎨 Chakra UI ------ 前端组件库。
- 🤖 自动生成的前端客户端。
- 🧪 Playwright ------ 端到端测试。
- 🦇 支持深色模式（Dark Mode）。
🐋 Docker Compose ------ 用于开发和生产环境部署。
🔒 默认启用安全的密码哈希。
🔑 JWT（JSON Web Token）身份认证。
📫 基于电子邮件的密码找回功能。
✅ 使用 Pytest 进行测试。
📞 Traefik ------ 作为反向代理/负载均衡器。
🚢 使用 Docker Compose 部署说明，包括如何设置前端 Traefik 代理以自动处理 HTTPS 证书。
🏭 基于 GitHub Actions 的 CI（持续集成）和 CD（持续部署）。

📚 四.整体架构设计

架构说明

基于 LangGraph、CrewAI 等 Agent 框架构建的智能体时，使用GoHumanLoopSDK 能更好进行人机协同，特别是在类似 Manus 长耗时场景，需要异步与 Agent 进行交互的场景，通过简单的封装即可增强人机协同能力
GoHumanLoop内部提供 HumanLoop 任务管理器和请求处理提供者(Provider),通过 API 方式与 GoHumanLoopHub 进行交互
GoHumanLoopHub还能与飞书、企业微信等进行集成，实现与飞书、企业微信等应用的无缝对接。需要依赖一层转换层，目前已提供对应的服务程序例子gohumanloop-feishu和gohumanloop-wework 后续还会继续拓展其它 OA 平台，让人机协同更好的集成到业务当中
管理人员通过GoHumanLoopHub提供的 API 接口，Agent 进行交互，提供用户信息、反馈、审批等信息。
GoHumanLoopHub还提供了任务数据管理功能，Agent 可以将任务数据同步到GoHumanLoopHub中，方便后续分析和管理。

📦 五.部署运行

GoHumanLoopHub支持手动Docker运行部署

确保已安装 Docker 和 Docker Compose。
克隆此仓库：git clone https://github.com/ptonlix/gohumanloophub.git
进入项目目录：cd gohumanloophub
复制示例环境变量文件：cp .env.example .env
编辑 .env 文件，配置密码、数据库连接、Redis 连接、MongoDB 连接等。
启动服务：docker compose up -d
访问前端应用：http://localhost:5173
访问 API 文档：http://localhost:8000/docs
注册一个账号并登录。
创建一个 API 密钥。
开始使用 GoHumanLoop SDK 开发对应的智能体。
查看 GoHumanLoop 文档了解更多信息。
在人机协同列表中，查看并操作 SDK 传输上来的人机协同请求。
查看任务数据列表，查看 SDK 同步传输上来的任务数据。

💻 六.体验环境

目前第一个版本测试版本已发布并部署到公网，大家可以访问体验

dashboard.gohumanloop.com

可以自行使用邮箱进行账号注册

注册完成后，登陆 ➡️

目前第一个版本功能主要有以下几点

仪表盘：支持查看总任务数、总对话数、总请求数等数据，还有基本的人机协同数据
任务列表：支持展示通过GoHumanLoop SDK同步上来的任务数据，任务数据中包括请求信息、状态和相应的审批信息等
人机协同：对GoHumanLoop SDK请求到GoHumanLoopHub的人机协同请求，如审批、信息、对话等
API密钥：生成给GoHumanLoop SDK使用的密钥和管理相关密钥

准备Demo

我准备一个测试Demo,使用LangGraph编写了一个Agent，通过GoHumanLoop SDK封装了人机协同的操作

python 复制代码

"""
LangGraph 与 GoHumanLoop 简单集成示例

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:https://api.gohumanloop.com/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, GoHumanLoopManager
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"] = "AdNsDJ1F33d81tceEm-Rh8VWKJ8ouey016nBTpaHsTc"
os.environ["GOHUMANLOOP_API_BASE_URL"] = "https://api.gohumanloop.com/api"


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


# 创建 LangGraphAdapter 实例
adapter = HumanloopAdapter(
    manager=GoHumanLoopManager(), # 创建 GoHumanLoopManager 实例
    default_timeout=600,  # 默认超时时间为10分钟)
)
# 定义需要人工审批的节点
@adapter.require_info(
    task_id="simple-information-test3",
    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-test3",
    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()

以上是一个简单的工作流，有两个节点，分别是get_info和human_approval, 一个是用来获取信息，一个是来获取审批。

python 复制代码

# 创建 LangGraphAdapter 实例
adapter = HumanloopAdapter(
    manager=GoHumanLoopManager(), # 创建 GoHumanLoopManager 实例
    default_timeout=600,  # 默认超时时间为10分钟)
)

这两个节点都使用@HumanloopAdapter的方法require_info和require_approval来装饰，使用GoHumanLoopManager管理器，则是要将这两个请求发向对应的GOHUMANLOOP_API_BASE_URL 的地址

我们的测试环境的API地址为：api.gohumanloop.com/api