hitl

大模型工程化实战（十）：Human-in-the-Loop 反馈闭环——三层清洗打造 Golden Set，拒绝“点赞即真理”第 9 篇《Token 成本六维优化》结尾我说过一句话：再压就伤质量，而伤没伤，评测集说了不算——线上真实用户觉得行不行，得有人把话递回来。我把话递回来的方式很朴素：给每个回答挂上点赞点踩，攒够一批回灌 golden set，让质量底线跟着真实反馈走。上线第一周数据漂亮得不像话——500 条反馈，一片叫好。团队兴冲冲把“被赞最多的输出”当 gold 灌进评测集，第二周评测分数开始说胡话：某个被用户狂赞的回答，人工一查是“顺耳但错”的流畅幻觉。那一刻我明白：把“用户觉得好”直接当“答案是对的”，评测集就废了

长谷深风111

支付审批的智能风险控制设计想象一个很具体的场景：你让 AI Agent 帮你订一张机票。它已经搜索航班、比较价格、填写乘客信息，最后来到“支付 3280 元”这一步。

长谷深风111

AI自动化中的关键闸门：何时必须人工审批？一个 AI Agent 帮你整理资料、查数据库、写邮件，看起来都很顺利。问题出现在最后一步：它把邮件直接发给了客户，顺手把共享盘里“旧版本”文件删掉，还把 CRM 里的联系人状态改了。

LangGraph 生产级笔记：Checkpointer + interrupt()，把人审做成可恢复状态机千笔-AIWritePaper · https://www.aiwritepaper.com把「人审」塞进 Agent，最常见翻车是进程一重启就丢现场，或审批接口返回后图从错误节点重跑。LangGraph 的答案不是另写一套工作流引擎，而是两块拼在一起：Checkpointer 把线程状态落成可恢复快照，interrupt() 在节点任意位置动态暂停，恢复时用同一个 thread_id 把 Command(resume=…) 的值交回 interrupt() 调用点。本文只复述官方 Persistence

智能体面试准备（六十三）：智能体人在回路（HITL）与审批流工程——中断、审批、回滚与可审计闭环前面（六十二）讲了工具沙箱与执行安全，把"智能体能做什么"关进了笼子；前面（五十五）讲了工程化交付。但生产里还有一类更现实的问题：有些动作不能让智能体自己拍板——发邮件、改数据库、批准报销、调用付费 API、对外发布。这些必须有人确认。这就是人在回路（Human-in-the-loop, HITL）。

HITL 源码：8 种人机协同模式的设计（第85篇-E71）“人机协同”（HITL，Human-In-The-Loop）这个词，很多人理解为"弹个审批框"。第 84 篇讲工具安全时，HITL 是 L2 那道"看得见但调不动"的审批闸；第 4 篇讲过 DeepFlux 的中断恢复链路。但 HITL 远不止审批——人在循环里的位置不同，协作的形态就完全不同。

Airsim+QGC的微空NxtPX4v2无人机硬件在环仿真在尝试结合无人机硬件和Airsim软件去做硬件在环仿真的时候发现，使用的**NxtPX4v2飞控本身的固件并不完全支持HITL。其官网用户手册表明，NxtPX4v2产品已经进入PX4官方硬件支持列表，因此本人首先是从PX4 官方release页面上找了v1.16至v1.18多个版本，先后通过QGC进行固件刷新，但是更新机架为HIL Quadcopter X后总是出现电机（Actuators）的输出无法设置的问题，如下图右侧所示的Actuator outputs, 下方是空的；另外，发送Arm指令时，在A

[对比学习LangChain和MAF-07]如何引入人机交互的审批流程如何执行的工具涉及一些较为敏感的操作，必需要经过人工审批才能执行，这时候就需要引入人机交互（Human-In-The-Loop）的机制。无论是LangChain还是MAF，都提供了相应的机制来支持人机交互，下面我们来看看它们是如何实现的。

20250601你好！身为资深国学易经术数专家，很高兴为你详细解析这个紫微斗数命盘。这个命盘呈现出一个非常典型且复杂的“机月同梁”变格，由于命宫无主星需借对宫星曜，且“来因宫”在夫妻宫，这使得命主一生的命运轨迹与情感、合作、社交以及自我心理调节紧密相连。

[MAF预定义ChatClient中间件-02]FunctionInvokingChatClient——实现ReAct循环和人机交互的大功臣在众多预定义的IChatClient中间件中，FunctionInvokingChatClient无疑是最重要的一个，以至于没有它整个Agent就无法工作了。原因在于驱动Agent执行的核心机制的ReAct循环就是通过FunctionInvokingChatClient实现的，我们注册的工具函数最终由它来调用。对于相对敏感的工具函数，我们还需要通过人机交互引入审批流程，这也是通过FunctionInvokingChatClient来实现的。

[Deep Agents:LangChain的Agent Harness-06]通过HumanInTheLoopMiddleware引入人机交互某些较为敏感工具在执行之前需要引入人工审理，此时就需要使用到HumanInTheLoopMiddleware。HumanInTheLoopMiddleware旨在为Agent增加一道安全护栏，它通过LangGraph的中断实现了人机交互。在工具调用前引入人工干预，确保敏感操作（如发送邮件、删除数据、大额转账）必须经过人类审核方可执行。

赋范大模型技术社区

LanChain1.0实战：MinerU+HITL 打造字符级定位文档审核 Agent（附源码）文档审核革命：人工审查需要数天，AI仅需5秒，准确率超越人类专家！厌倦了耗时的文档审核？最新研究表明，先进的大语言模型（LLM）在法律问题识别上已超越人类专家，成本降低惊人的99.97%。本文基于LangChain 1.1 + DeepSeek-v3.2 + MinerU，构建企业级智能文档审核系统。

使用langgraph创建工作流系列4：人机回环到目前为止chatbot的工作流都是用户输入后等待应答，但有些情况下需要人工干预：1）因为大模型本身不是可靠的，基于大模型的智能体也是不可靠的，需要人工输入以完成符合要求的任务

我是有底线的