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
$ 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
"""
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