使用GoHumanLoop增强你的Agent控制 - LangGraph 中的实践

🚀 GoHumanLoop 介绍

• GitHub地址：github.com/ptonlix/goh… 🌟🌟🌟

GoHumanLoop：是一个Python库，使AI Agent能够在关键阶段动态请求人类输入（批准/反馈/对话）。

核心功能：

• 人类在环控制：让AI代理系统暂停并升级决策，增强安全性和信任。
• 多渠道集成：支持终端、电子邮件、API控制和支持多个LangGraph/CrewAI等框架（即将推出）。
• 灵活的工作流程：结合自动推理和人工监督，确保人工智能操作的可靠性。

通过连接自主代理和人类判断，确保负责任的AI部署。

今天我们来介绍使用GoHumanLoop 如何在LangGraph中的增加Agent控制

📖 一. 场景介绍

在介绍如何使用前，还是先选定一个需求场景，方便大家更好理解

• 我需要 Agent 帮我给出一个投资建议，并询问我们的意见
• Agent 根据这份投资建议，实际操作转账投资，在转账前需要我们批准
• 操作完成后，询问我对整个流程的反馈

以上面这个假定的金融投资场景为例，来介绍一下 GoHumanLoop 如何来在LangGraph中的增强Human-in-the-loop 控制

🦜 二. 需求实现

我们先用 LangGraph 来实现一个基础的 Workflow

from typing import Dict, Any, List, Annotated, TypedDict
import operator
import os
from dotenv import load_dotenv
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode

from gohumanloop.adapters.langgraph_adapter import HumanloopAdapter
from gohumanloop.core.manager import DefaultHumanLoopManager
from gohumanloop.providers.terminal_provider import TerminalProvider
from gohumanloop.core.interface import HumanLoopStatus
import logging
from typing_extensions import TypedDict

# 设置日志配置
logging.basicConfig(
    level=logging.INFO, format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
)
logger = logging.getLogger("langgraph_adapter")

# 加载环境变量
load_dotenv()


# 定义状态类型
class AgentState(TypedDict):
    messages: List[Any]
    next: str


# 从环境变量获取API密钥和基础URL
api_key = os.getenv("OPENAI_API_KEY")
api_base = os.getenv("OPENAI_API_BASE")

# 创建 LLM
llm = ChatOpenAI(model="deepseek-chat", base_url=api_base)

def execute_financial_transaction(
    amount: float, account_id: str, approval_result=None
) -> Dict[str, Any]:
    """执行一个需要人工审批的金融交易

    Args:
        amount: 交易金额
        account_id: 账户ID
        approval_result: 审批结果信息

    Returns:
        Dict: 交易结果
    """
    logger.info(f"审批信息: {approval_result}")

    # 根据审批结果处理交易
    if approval_result and approval_result.get("status") == HumanLoopStatus.APPROVED:
        return {
            "status": "success",
            "message": f"成功执行金额为 {amount} 的交易到账户 {account_id}",
            "transaction_id": "tx_123456789",
        }
    else:
        return {
            "status": "cancelled",
            "message": f"交易已被拒绝并取消: 金额 {amount}, 账户 {account_id}",
            "transaction_id": None,
        }


# LangGraph 工作流节点
def agent(state: AgentState) -> AgentState:
    """AI 代理处理节点"""
    messages = state["messages"]

    # 添加系统提示，定义LLM的角色和任务
    if not any(msg.type == "system" for msg in messages):
        system_message = SystemMessage(
            content="""
你是一位专业的金融顾问助手，负责帮助用户处理金融交易请求。
你的职责包括：
1. 理解用户的金融交易需求
2. 提供专业的金融建议
3. 协助用户完成交易流程
4. 确保交易安全和合规

请根据用户的请求，提供清晰的交易建议和操作方案。你的回复将由人工审核后再执行。
"""
        )
        messages = [system_message] + messages

    # 为用户消息添加更明确的指令
    last_message = messages[-1]
    if isinstance(last_message, HumanMessage):
        # 保留原始用户消息
        user_content = last_message.content

        # 构建更详细的提示
        enhanced_prompt = f"""
用户请求: {user_content}

请分析这个金融交易请求并提供以下内容:
1. 交易类型和金额确认
2. 交易风险评估
3. 执行建议和注意事项
4. 是否建议执行此交易(是/否)及理由

请以专业金融顾问的身份回复，你的建议将被用于决定是否执行此交易。
"""
        # 替换最后一条消息
        messages = messages[:-1] + [HumanMessage(content=enhanced_prompt)]

    # 调用LLM获取响应
    response = llm.invoke(messages)

    # 恢复原始用户消息以保持对话连贯性
    if isinstance(last_message, HumanMessage):
        # 使用列表切片替换最后一个元素，避免直接赋值可能导致的问题
        messages = messages[:-1] + [last_message]

    return {"messages": messages + [response], "next": "human_review"}


def human_review(state: AgentState) -> AgentState:
    """人工审核节点"""
    messages = state["messages"]
    last_message = messages[-1].content if messages else "无消息"

    approval_data = input("请输入审批结果")
    logger.info(f"人工审核结果: {approval_data}")

    ...


def process_transaction(state: AgentState) -> AgentState:
    """处理交易节点"""
    messages = state["messages"]

    # 模拟交易处理
    transaction_result = execute_financial_transaction(
        amount=100.0, account_id="user_12345"
    )

    result_message = HumanMessage(content=f"交易结果: {transaction_result['message']}")
    return {"messages": messages + [result_message], "next": "collect_feedback"}


@adapter.require_info(ret_key="feedback_data")
def collect_feedback(state: AgentState, feedback_data={}) -> AgentState:
    """收集用户反馈节点"""
    messages = state["messages"]

    logger.info(f"获取的反馈信息: {feedback_data}")

    feedback_message = HumanMessage(
        content=f"收到用户反馈: {feedback_data.get('response', '无反馈')}"
    )
    return {"messages": messages + [feedback_message], "next": END}


def router(state: AgentState) -> str:
    """路由节点，决定下一步执行哪个节点"""
    return state["next"]


def main():
    # 创建工作流图
    workflow = StateGraph(AgentState)

    # 添加节点
    workflow.add_node("agent", agent)
    workflow.add_node("human_review", human_review)
    workflow.add_node("process_transaction", process_transaction)
    workflow.add_node("collect_feedback", collect_feedback)

    # 设置边和路由
    workflow.set_entry_point("agent")
    workflow.add_edge("agent", "human_review")
    workflow.add_conditional_edges("human_review", router)
    workflow.add_conditional_edges("process_transaction", router)
    workflow.add_conditional_edges("collect_feedback", router)

    # 编译工作流
    app = workflow.compile()

    # 运行工作流
    try:
        # 创建一个更符合金融投资场景的初始状态
        initial_state = {
            "messages": [
                HumanMessage(
                    content="我想投资5万元购买一些低风险的基金产品，主要用于退休储蓄，期限大约10年。请给我一些建议？"
                )
            ],
            "next": "agent",
        }

        for state in app.stream(initial_state, stream_mode="values"):
            messages = state.get("messages", {})
            if messages:
                logger.info(f"当前状态: {state['next']}")
                logger.info(f"最新消息: {messages[-1].content}")

        logger.info("工作流执行完成!")
    except Exception as e:
        logger.exception(f"工作流执行错误: {str(e)}")


if __name__ == "__main__":
    main()

上面这个例子中，定义了几个节点，workflow 流程如下：

graph TD
agent --> human_review --> process_transaction --> collect_feedback

• agent： 通过 LLM 生成投资方案
• human_review：人工审核投资方案
• process_transaction： 执行转账投资等高风险操作
• collect_feedback： 收集整个流程的意见反馈

根据这上面几个简单的节点，串联起了整个工作流

正常使用 LangGraph 一般只能通过 interrupt 来中断流程，等待用户信息输入（需要额外编写各种交互流程），然后继续流程。

而使用 GoHumanLoop 通过简单的封装就能与外部审批系统做交互，高效完成需要人类介入的工作

让我们来一起看一下在 这个例子中如何使用 GoHumanLoop

⛓️ 三. 使用GoHumanLoop改造LangGraph

首先，先定义HumanLoopManager和HumanloopAdapter实例，HumanloopAdapter用来适配各种 Agent 框架，HumanLoopManager是用来管理各种审批方式提供者，比如这里例子中，为了方便演示，我们使用了TerminalProvider

• TerminalProvider： 通过终端交互提供审批的信息

# 创建 HumanLoopManager 实例
manager = DefaultHumanLoopManager(
    initial_providers=TerminalProvider(name="TerminalProvider")
)

# 创建 hAdapter 实例
adapter = HumanloopAdapter(manager, default_timeout=60)

然后，使用装饰器封装LangGraph的节点

@adapter.require_approval(ret_key="approval_data", execute_on_reject=True)
def human_review(state: AgentState, approval_data=None) -> AgentState:
    """人工审核节点"""
    messages = state["messages"]
    last_message = messages[-1].content if messages else "无消息"

    logger.info(f"人工审核结果: {approval_data}")

    # 添加审核结果到消息
    if approval_data and approval_data.get("status") == HumanLoopStatus.APPROVED:
        review_message = HumanMessage(content=f"[已审核] {last_message}")
        return {"messages": messages + [review_message], "next": "process_transaction"}
    else:
        review_message = HumanMessage(content=f"[审核拒绝] 请重新生成回复")
        return {"messages": messages + [review_message], "next": "agent"}
        
# 使用审批装饰器的敏感操作
@adapter.require_approval(execute_on_reject=True)
def execute_financial_transaction(
    amount: float, account_id: str, approval_result=None
) -> Dict[str, Any]:
    """执行一个需要人工审批的金融交易

    Args:
        amount: 交易金额
        account_id: 账户ID
        approval_result: 审批结果信息

    Returns:
        Dict: 交易结果
    """
    logger.info(f"审批信息: {approval_result}")

    # 根据审批结果处理交易
    if approval_result and approval_result.get("status") == HumanLoopStatus.APPROVED:
        return {
            "status": "success",
            "message": f"成功执行金额为 {amount} 的交易到账户 {account_id}",
            "transaction_id": "tx_123456789",
        }
    else:
        return {
            "status": "cancelled",
            "message": f"交易已被拒绝并取消: 金额 {amount}, 账户 {account_id}",
            "transaction_id": None,
        }

require_approval 是专门用于审批的装饰器， execute_on_reject是即使拒绝了还能继续执行，方便让 Agent 继续执行拒绝操作的流程，否则直接抛出异常，停止整个工作流 execute_financial_transaction节点中，我们还定义了一个参数approval_result，用于接收审批的详细信息，比如审批的状态和审批反馈。该参数，还可以通过ret_key来指定。

1. 完整代码：

# /// script
# requires-python = ">=3.10"
# dependencies = [
# "gohumanloop>=0.0.9",
# "langgraph>=0.4.7",
# "langchain-openai>=0.3.12"]
# ///

from typing import Dict, Any, List, Annotated, TypedDict
import operator
import os
from dotenv import load_dotenv
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import ToolNode

from gohumanloop.adapters.langgraph_adapter import HumanloopAdapter
from gohumanloop.core.manager import DefaultHumanLoopManager
from gohumanloop.providers.terminal_provider import TerminalProvider
from gohumanloop.core.interface import HumanLoopStatus
import logging
from typing_extensions import TypedDict

# 设置日志配置
logging.basicConfig(
    level=logging.INFO, format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
)
logger = logging.getLogger("langgraph_adapter")

# 加载环境变量
load_dotenv()


# 定义状态类型
class AgentState(TypedDict):
    messages: List[Any]
    next: str


# 从环境变量获取API密钥和基础URL
api_key = os.getenv("OPENAI_API_KEY")
api_base = os.getenv("OPENAI_API_BASE")

# 创建 LLM
llm = ChatOpenAI(model="deepseek-chat", base_url=api_base)

# 创建 HumanLoopManager 实例
manager = DefaultHumanLoopManager(
    initial_providers=TerminalProvider(name="TerminalProvider")
)

# 创建 LangGraphAdapter 实例
adapter = HumanloopAdapter(manager, default_timeout=60)


# 使用审批装饰器的敏感操作
@adapter.require_approval(execute_on_reject=True)
def execute_financial_transaction(
    amount: float, account_id: str, approval_result=None
) -> Dict[str, Any]:
    """执行一个需要人工审批的金融交易

    Args:
        amount: 交易金额
        account_id: 账户ID
        approval_result: 审批结果信息

    Returns:
        Dict: 交易结果
    """
    logger.info(f"审批信息: {approval_result}")

    # 根据审批结果处理交易
    if approval_result and approval_result.get("status") == HumanLoopStatus.APPROVED:
        return {
            "status": "success",
            "message": f"成功执行金额为 {amount} 的交易到账户 {account_id}",
            "transaction_id": "tx_123456789",
        }
    else:
        return {
            "status": "cancelled",
            "message": f"交易已被拒绝并取消: 金额 {amount}, 账户 {account_id}",
            "transaction_id": None,
        }


# LangGraph 工作流节点
def agent(state: AgentState) -> AgentState:
    """AI 代理处理节点"""
    messages = state["messages"]

    # 添加系统提示，定义LLM的角色和任务
    if not any(msg.type == "system" for msg in messages):
        system_message = SystemMessage(
            content="""
你是一位专业的金融顾问助手，负责帮助用户处理金融交易请求。
你的职责包括：
1. 理解用户的金融交易需求
2. 提供专业的金融建议
3. 协助用户完成交易流程
4. 确保交易安全和合规

请根据用户的请求，提供清晰的交易建议和操作方案。你的回复将由人工审核后再执行。
"""
        )
        messages = [system_message] + messages

    # 为用户消息添加更明确的指令
    last_message = messages[-1]
    if isinstance(last_message, HumanMessage):
        # 保留原始用户消息
        user_content = last_message.content

        # 构建更详细的提示
        enhanced_prompt = f"""
用户请求: {user_content}

请分析这个金融交易请求并提供以下内容:
1. 交易类型和金额确认
2. 交易风险评估
3. 执行建议和注意事项
4. 是否建议执行此交易(是/否)及理由

请以专业金融顾问的身份回复，你的建议将被用于决定是否执行此交易。
"""
        # 替换最后一条消息
        messages = messages[:-1] + [HumanMessage(content=enhanced_prompt)]

    # 调用LLM获取响应
    response = llm.invoke(messages)

    # 恢复原始用户消息以保持对话连贯性
    if isinstance(last_message, HumanMessage):
        # 使用列表切片替换最后一个元素，避免直接赋值可能导致的问题
        messages = messages[:-1] + [last_message]

    return {"messages": messages + [response], "next": "human_review"}


@adapter.require_approval(ret_key="approval_data", execute_on_reject=True)
def human_review(state: AgentState, approval_data=None) -> AgentState:
    """人工审核节点"""
    messages = state["messages"]
    last_message = messages[-1].content if messages else "无消息"

    logger.info(f"人工审核结果: {approval_data}")

    # 添加审核结果到消息
    if approval_data and approval_data.get("status") == HumanLoopStatus.APPROVED:
        review_message = HumanMessage(content=f"[已审核] {last_message}")
        return {"messages": messages + [review_message], "next": "process_transaction"}
    else:
        review_message = HumanMessage(content=f"[审核拒绝] 请重新生成回复")
        return {"messages": messages + [review_message], "next": "agent"}


def process_transaction(state: AgentState) -> AgentState:
    """处理交易节点"""
    messages = state["messages"]

    # 模拟交易处理
    transaction_result = execute_financial_transaction(
        amount=100.0, account_id="user_12345"
    )

    result_message = HumanMessage(content=f"交易结果: {transaction_result['message']}")
    return {"messages": messages + [result_message], "next": "collect_feedback"}


@adapter.require_info(ret_key="feedback_data")
def collect_feedback(state: AgentState, feedback_data={}) -> AgentState:
    """收集用户反馈节点"""
    messages = state["messages"]

    logger.info(f"获取的反馈信息: {feedback_data}")

    feedback_message = HumanMessage(
        content=f"收到用户反馈: {feedback_data.get('response', '无反馈')}"
    )
    return {"messages": messages + [feedback_message], "next": END}


def router(state: AgentState) -> str:
    """路由节点，决定下一步执行哪个节点"""
    return state["next"]


def main():
    # 创建工作流图
    workflow = StateGraph(AgentState)

    # 添加节点
    workflow.add_node("agent", agent)
    workflow.add_node("human_review", human_review)
    workflow.add_node("process_transaction", process_transaction)
    workflow.add_node("collect_feedback", collect_feedback)

    # 设置边和路由
    workflow.set_entry_point("agent")
    workflow.add_edge("agent", "human_review")
    workflow.add_conditional_edges("human_review", router)
    workflow.add_conditional_edges("process_transaction", router)
    workflow.add_conditional_edges("collect_feedback", router)

    # 编译工作流
    app = workflow.compile()
    
    # 运行工作流
    try:
        # 创建一个更符合金融投资场景的初始状态
        initial_state = {
            "messages": [
                HumanMessage(
                    content="我想投资5万元购买一些低风险的基金产品，主要用于退休储蓄，期限大约10年。请给我一些建议？"
                )
            ],
            "next": "agent",
        }

        for state in app.stream(initial_state, stream_mode="values"):
            messages = state.get("messages", {})
            if messages:
                logger.info(f"当前状态: {state['next']}")
                logger.info(f"最新消息: {messages[-1].content}")

        logger.info("工作流执行完成!")
    except Exception as e:
        logger.exception(f"工作流执行错误: {str(e)}")


if __name__ == "__main__":
    main()

2. 运行该代码

1. 先安装 UV 工具 （最新的Python包和环境管理工具）

可以前往对应仓库，学习下载：github.com/astral-sh/u…

复制上述代码到 langgraph_adapter_example.py

2. 执行上述代码

## Create a `.env` file with your API key:

# DeepSeek API (https://platform.deepseek.com/api_keys)
OPENAI_API_KEY='sk-xxxx'
OPENAI_API_BASE="https://api.deepseek.com/v1"

# 配置环境变量，这里使用的是 DeepSeek。可以自行修改合适的模型
vim .env

3. 使用uv运行该代码

uv run langgraph_adapter_example.py

4. 运行过程

生成投资建议，获取人类反馈。根据指引输入 approve

执行转账投资操作，获取审批。根据指引输入 approve

输入反馈建议并提交，完成整个工作流

好了，以上就是本期在LangGraph 中的实践，欢迎大家实操体验

🍬 四. 更多示例

更多示例，可以访问以下仓库

GoHumanLoop-Examples

目前还在建设中，欢迎大家使用GoHumanLoop后，分享投稿给我噢～

🔚 五. 最后

GoHumanLoop采用MIT协议开源，欢迎大家贡献力量，一起共建GoHumanLoop

您可以做

• 报告错误
• 建议改进
• 文档贡献
• 代码贡献
  ...
  👏👏👏

🎉 如果你对本项目感兴趣，欢迎评论区交流和联系我～

• GitHub地址：gohumanloop 🌟🌟🌟

如果感觉对你有帮助，欢迎支持 Star 一下