Обновить solutions/69a86305c46fd26feae6bcaa_Human-in-the-Loop_через_middleware/solution.py

solutions/69a86305c46fd26feae6bcaa_Human-in-the-Loop_через_middleware/solution.py

@@ -1,21 +1,22 @@
 # solution.py
 # -*- coding: utf-8 -*-
 """
-Пример агента с Human‑in‑the‑loop, реализованный в LangGraph.
+Пример агента с Human-in-the-Loop через HumanInTheLoopMiddleware.
+При каждом вызове инструмента агент останавливается,
+выводит информацию и ожидает решения пользователя: approve / reject.
 """
 
 from langchain_openai import ChatOpenAI
+from langchain.tools import tool
+from langchain.agents.middleware import HumanInTheLoopMiddleware
 from langgraph.prebuilt import create_react_agent
 from langgraph.checkpoint.memory import MemorySaver
 from langgraph.types import Command
-from langchain.tools import tool
-from langchain_core.messages import ToolMessage
 
-
+# 1. Модель LLM
-# 1. Модель LLM (пример с OpenAI‑совместимым API)
 llm = ChatOpenAI(
-    model="gpt-4o-mini",  # замените на нужную модель
+    model="gpt-4o-mini",
-    temperature=0.7,
+    temperature=0,
 )
 
 # 2. Простой инструмент
@@ -24,53 +25,90 @@ def get_weather(city: str, date: str) -> str:
     """Возвращает погоду в городе на указанную дату."""
     return f"Погода в {city} на {date}: солнечно 25°C."
 
-# 3. Хранилище памяти для чекпоинтера
+# 3. Хранилище памяти
 memory = MemorySaver()
 
-# 4. Создание агента с interrupt_before=["tools"]
+# 4. Создание агента с HumanInTheLoopMiddleware
 agent = create_react_agent(
-    tools=[get_weather],
     model=llm,
+    tools=[get_weather],
     system_prompt="Ты полезный ассистент, отвечай точно.",
     checkpointer=memory,
-    interrupt_before=["tools"],  # включаем human‑in‑the‑loop
+    middleware=[
+        HumanInTheLoopMiddleware(
+            interrupt_on={
+                "get_weather": True,  # прерывать на каждом вызове get_weather
+            },
+            description_prefix="Подтвердите вызов инструмента",
+        ),
+    ],
 )
 
-# 5. Основная логика взаимодействия
+
 def main() -> None:
+    """
+    Запускает чат-цикл с human-in-the-loop:
+    пользователь вводит запрос, агент останавливается перед вызовом
+    инструмента и ждёт подтверждения (approve / reject).
+    """
     config = {"configurable": {"thread_id": "session-1"}}
+
+    print("Привет! Введите запрос или 'выход' для завершения.")
+
     while True:
-        user_input = input("Вы: ")
+        user_input = input("\nВы: ").strip()
         if user_input.lower() in {"выход", "exit", "quit"}:
             print("Завершение работы.")
             break
-        # первый вызов агента
+
+        # Первый вызов агента
         result = agent.invoke(
             {"messages": [{"role": "human", "content": user_input}]},
             config=config,
         )
-        # цикл обработки прерываний
+
+        # Цикл обработки прерываний
         while "__interrupt__" in result:
-            last_msg = result["messages"][-1]
+            interrupt_payload = result["__interrupt__"][0].value
-            tool_call = last_msg.tool_calls[0]  # один вызов инструмента
+            action_requests = interrupt_payload.get("action_requests", [])
-            name = tool_call["name"]
+            review_configs = interrupt_payload.get("review_configs", {})
-            args = tool_call["args"]
+
-            print(f"\nИнструмент: {name}")
+            decisions = []
-            print(f"Аргументы: {args}")
+
-            choice = input("a=approve, r=reject: ").strip().lower()
+            for req in action_requests:
-            if choice == "r":
+                name = req.get("name", "неизвестный инструмент")
-                reason = input("Причина отказа: ")
+                args = req.get("args", {})
-                # передаем ToolMessage как результат вызова инструмента
+                description = req.get("description", "")
-                result = agent.invoke(
+
-                    {"messages": [ToolMessage(content=reason, tool_call_id=tool_call["id"])]},
+                print("\n--- Подтверждение ---")
-                    config=config,
+                print(f"Инструмент: {name}")
+                if description:
+                    print(f"Описание: {description}")
+                print(f"Аргументы: {args}")
+
+                # Показываем разрешённые решения из review_configs
+                allowed = review_configs.get(name, {}).get(
+                    "allowed_decisions", ["approve", "reject"]
                 )
-            else:
+                print(f"Разрешённые решения: {allowed}")
-                # approve – просто возобновляем без сообщения
+
-                result = agent.invoke(Command(resume=None), config=config)
+                choice = input("a=approve, r=reject: ").strip().lower()
-        # вывод финального ответа агента
+                if choice == "r":
+                    reason = input("Причина отказа: ").strip()
+                    decisions.append({"type": "reject", "message": reason})
+                else:
+                    decisions.append({"type": "approve"})
+
+            # Возобновляем выполнение агента с решениями
+            result = agent.invoke(
+                Command(resume={"decisions": decisions}),
+                config=config,
+            )
+
+        # Финальный ответ агента
         final_answer = result["messages"][-1].content
-        print("\nОтвет агента:\n", final_answer)
+        print(f"\nАгент: {final_answer}")
+
 
 if __name__ == "__main__":
     main()