【LangGraph】Human-in-the-loop示例之人工干预shell命令执行

前言

看langgraph官方文档感觉human in the loop貌似还挺简单的,但实际上手时,那文档看得我云里雾里的。更详细的Guides和Reference,恕我能力有限,悲摧的也没看懂。作为试验,我想做一个功能:本地执行shell命令,每次执行前都要用户确认。左看官方文档, 右去西天请ChatGPT老祖。ChatGPT说得头头是道,Copilot也反复调试,但就是不能用。就这。。。看来碰到新东西AI就十分拉胯。最终,认真看了半天文档,没借助GPT,总算捣鼓出来一个最简版。

自从AI能力越来越强,大多时候自己更习惯直接让AI帮忙解决问题,越来越懒得看文档。自己找饭吃的能力还是得留着,不能光靠AI喂饭。

运行效果

试验嘛,交互就是命令行了。效果大概这样

复制代码
$ python custom_workflow.py
AI助手已启动,输入 'quit'、'exit' 或 'q' 退出程序
User: 今天的日期是什么
Assistant: 今天的日期是 2025-09-03。
User: 合肥的天气怎么样
Assistant: 合肥的天气总是阳光明媚!
User: 查看下本地内存占用
Assistant: Do you approve executing this command: free -h? Please answer 'yes' or 'no'.
User: yes
Assistant: 当前本地内存占用情况如下

total        used        free      shared  buff/cache   available
内存:          62Gi        10Gi        46Gi       157Mi       6.5Gi        52Gi
交换:         3.8Gi          0B       3.8Gi

User: disk呢?
Assistant: Do you approve executing this command: df -h? Please answer 'yes' or 'no'.
User: yes
Assistant: 当前磁盘使用情况如下:

文件系统                 大小  已用  可用 已用% 挂载点
udev                      32G     0   32G    0% /dev
tmpfs                    6.3G  1.8M  6.3G    1% /run
/dev/mapper/debian-root  234G   29G  194G   13% /
tmpfs                     32G   37M   32G    1% /dev/shm
efivarfs                 128K   40K   84K   32% /sys/firmware/efi/efivars
tmpfs                    5.0M   12K  5.0M    1% /run/lock
tmpfs                    1.0M     0  1.0M    0% /run/credentials/systemd-journald.service
tmpfs                     32G   49M   32G    1% /tmp
/dev/nvme1n1p1           989M  256M  666M   28% /boot
/dev/mapper/debian-home  676G  196G  446G   31% /home
/dev/nvme0n1p1           300M   39M  262M   13% /boot/efi
tmpfs                    6.3G  4.1M  6.3G    1% /run/user/1000

User: 非常好
Assistant: 谢谢!如果您有其他问题或需要进一步的帮助,请随时告诉我。😊
User: quit
Goodbye!

Code

注释写得够详细的了,具体可以直接看注释。LLM用的是阿里千问,注意替换成自己的。

checkpointer用的是内存,在生产环境,可以把checkpointer换成sqlite、postgres、redis等。

log就是个写日志文件的模块,不输出到控制台,之前调试的时候用来发给LLM做诊断,比较简单就不贴了。

在python命令行交互程序中,最好引用下readline模块,不然输入中文会碰到退格键没法正常用的问题,而且方向键也没法用。

python 复制代码
"""
Human in the loop 示例, 每当AI需要执行shell命令时, 都需要经过用户确认
"""

import os
import readline  # 引入readlint模块以增强命令行输入体验。Linux环境的Python标准库内置
from datetime import datetime
import subprocess
import traceback

from langchain_core.runnables import RunnableConfig
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import END, START, StateGraph, MessagesState
from langgraph.graph.state import CompiledStateGraph
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.types import Command, interrupt
from langgraph.prebuilt import create_react_agent

# 自定义一个简单的文件型日志记录器
from log import logger


# 设置API密钥
os.environ["OPENAI_API_KEY"] = ""

# 初始化语言模型
llm = ChatOpenAI(
    model="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)


# 定义工具函数

@tool
def get_date() -> str:
    """获取今天的日期。
    
    Returns:
        str: 当前日期,格式为 YYYY-MM-DD
    """
    logger.info("Getting date")
    return datetime.now().strftime("%Y-%m-%d")

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息。
    
    Args:
        city (str): 城市名称
        
    Returns:
        str: 天气信息描述
    """
    logger.info("Getting weather")
    return f"It's always sunny in {city}!"

@tool
def execute_command(command: str) -> str:
    """本地执行shell命令, 每次执行前需要用户确认
    
    Args:
        command (str): 要执行的命令

    Returns:
        str: 命令执行结果或拒绝信息
    """
    # 使用interrupt函数暂停执行并请求用户确认
    # interrupt会将控制权交还给用户,等待用户输入
    decision = interrupt({"query": f"Do you approve executing this command: {command}? Please answer 'yes' or 'no'."})
    logger.info(f"Decision: {decision}")
    
    # 根据用户决策决定是否执行命令
    if decision == "yes":
        logger.info(f"Executing command, {command}")
        try:
            # 执行命令并获取结果
            result = subprocess.run(command, shell=True, capture_output=True, text=True, timeout=10)
            result = result.stdout or result.stderr
            return result
        except subprocess.TimeoutExpired:
            return "Command timed out"
        except Exception as e:
            return f"Error executing command: {str(e)}"
    else:
        logger.info("Command execution denied by user")
        return "Command execution denied by user"

# 定义可用工具列表
tools = [get_weather, get_date, execute_command]

# 创建ReAct代理,它可以根据需要自动调用工具
agent = create_react_agent(
    model=llm,
    tools=tools,
    prompt="You are a helpful assistant."
)

# 创建工具节点,用于执行工具调用
tool_node = ToolNode(tools=tools)

# 创建内存检查点保存器,用于保存对话状态
memory = InMemorySaver()

# 配置运行时参数,使用固定的线程ID
config = RunnableConfig(configurable={"thread_id": "1"})

def create_graph() -> CompiledStateGraph:
    """创建并返回工作流图。
    
    Returns:
        CompiledStateGraph: 编译后的工作流图
    """
    # 创建状态图,使用MessagesState作为状态类型
    graph_builder = StateGraph(MessagesState)
    
    # 添加节点
    graph_builder.add_node("agent", agent)  # AI代理节点
    graph_builder.add_node("tools", tool_node)  # 工具执行节点
    
    # 添加边
    graph_builder.add_edge(START, "agent")  # 从开始节点连接到代理节点
    graph_builder.add_edge("tools", "agent")  # 从工具节点连接回代理节点
    
    # 添加条件边,根据代理的决策决定下一步
    graph_builder.add_conditional_edges(
        "agent",
        tools_condition,  # 条件函数,判断是否需要调用工具
        {"tools": "tools", END: END}  # 映射:需要工具时转到工具节点,否则结束
    )

    # 编译图并返回,使用内存保存器来保存状态
    return graph_builder.compile(checkpointer=memory)

def handle_user_decision(user_input: str) -> bool:
    """处理用户对中断的响应。
    
    Args:
        user_input (str): 用户的输入
        
    Returns:
        bool: 如果处理了中断返回True,否则返回False
    """
    # 创建图实例
    graph = create_graph()
    
    # 获取当前状态
    current_state = graph.get_state(config)
    
    # 检查是否有待处理的中断
    if not current_state.next:
        logger.warning("No pending interrupts to handle.")
        return False  # 没有待处理的中断
    
    # 根据用户输入决定如何响应中断
    if user_input.lower() == "yes":
        # 用户确认,继续执行
        graph.invoke(Command(resume="yes"), config=config)
    else:
        # 用户拒绝,取消执行
        graph.invoke(Command(resume="no"), config=config)
        
    return True  # 处理了中断

def graph_invoke(user_input: str):
    """处理用户输入并执行相应操作。
    
    Args:
        user_input (str): 用户输入的文本
    """
    # 首先尝试处理用户对中断的响应
    interrupt_handled = handle_user_decision(user_input)

    # 如果已经处理了中断,则不再继续处理用户输入,而是显示结果
    if interrupt_handled:
        # 获取处理后的状态并显示结果
        graph = create_graph()
        current_state = graph.get_state(config)
        if current_state.values and 'messages' in current_state.values:
            # 显示最新的消息内容
            messages = current_state.values['messages']
            if messages:
                last_message = messages[-1]
                if hasattr(last_message, 'content'):
                    print("Assistant:", last_message.content)
        return

    # 如果没有待处理的中断,则正常处理用户输入
    graph = create_graph()
    resp = graph.invoke({"messages": [HumanMessage(content=user_input)]}, config=config)
    
    logger.debug(f"response: {resp}")
    
    # 检查是否有中断需要处理
    if "__interrupt__" in resp:
        interrupt_data = resp["__interrupt__"]
        interrupt = interrupt_data[0] if interrupt_data else None

        if not interrupt or not hasattr(interrupt, "value"):
            logger.error("Invalid interrupt data")
            return
            
        interrupt_value = interrupt.value
        # 显示中断请求给用户
        print(f"Assistant: {interrupt_value['query']}")
    else:
        # 直接显示AI的响应
        print("Assistant:", resp["messages"][-1].content)
        
    logger.debug(f"Snapshot state: {graph.get_state(config)}")
    logger.debug(f"Snapshot next: {graph.get_state(config).next}")

# 程序入口点
if __name__ == "__main__":
    """主程序循环,处理用户输入并生成响应。"""
    
    print("AI助手已启动,输入 'quit'、'exit' 或 'q' 退出程序")
    
    while True:
        try:
            # 获取用户输入
            user_input = input("User: ").strip()
            logger.info(f"User input: {user_input}")
            
            # 检查退出命令
            if user_input.lower() in ["quit", "exit", "q"]:
                print("Goodbye!")
                break
                
            # 处理用户输入
            graph_invoke(user_input)
            
        except KeyboardInterrupt:
            # 处理Ctrl+C中断
            print("\nGoodbye!")
            break
        except Exception as e:
            # 记录并显示错误信息
            logger.error(f"Error occurred: {traceback.format_exc()}")
            print(f"Error: {traceback.format_exc()}")
            break
相关推荐
青衫客361 个月前
LLM——使用 LangGraph 构建 ReAct 智能体:多轮对话 + 工具调用 + 可视化流程图
langchain·大模型·llm·agent·langgraph
缘友一世1 个月前
LangGraph智能体(天气和新闻助手)开发与部署
语言模型·langchain·大模型·llm·langgraph
sky丶Mamba1 个月前
LangChain和LangGraph 里面的 `create_react_agent`有什么不同
langchain·agent·langgraph
缘友一世1 个月前
基于LangGraph Cli的智能数据分析助手
langchain·llm·agent·langgraph
缘友一世1 个月前
ReAct Agent(LangGraph实现)
rag·langgraph
deephub1 个月前
从零搭建智能搜索代理:LangGraph + 实时搜索 + PDF导出完整项目实战
人工智能·大语言模型·langgraph
Bug改不动了3 个月前
LangGraph基础知识(MemorySaver/SqliteSaver )(三)
python·langgraph
热情的Dongming3 个月前
【项目实战】通过多模态+LangGraph实现PPT生成助手
powerpoint·agent·ppt·langgraph
梦醒沉醉4 个月前
LangGraph(四)——加入人机交互控制
langgraph