Human-in-the-Loop через middleware: solution.py

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

@@ -1,22 +1,17 @@
-# solution.py
+# -*- coding: utf-8 -*-
-
 """
-Пример агента с Human-in-the-Loop через middleware.
+Пример агента с Human‑in‑the‑loop, реализованный в LangGraph.
-При каждом вызове инструмента агент останавливается,
-выводит информацию и ожидает решения пользователя:
-approve / reject (с возможностью указать причину отказа).
 """
 
-from langchain import ChatOpenAI
+from langchain_openai import ChatOpenAI
-from langchain.tools import tool
+from langgraph.prebuilt import create_react_agent
 from langgraph.checkpoint.memory import MemorySaver
-from langchain.agents.middleware import HumanInTheLoopMiddleware
-from langchain.agents import create_react_agent
 from langgraph.types import Command
+from langchain.tools import tool
 
-# 1. Модель LLM (замените на нужную модель и укажите ключ API)
+# 1. Модель LLM (пример с OpenAI‑совместимым API)
 llm = ChatOpenAI(
-    model="gpt-4o-mini",   # пример модели, можно заменить
+    model="gpt-4o-mini",  # замените на нужную модель
     temperature=0.7,
 )
 
@@ -29,63 +24,41 @@ def get_weather(city: str, date: str) -> str:
 # 3. Хранилище памяти для чекпоинтера
 memory = MemorySaver()
 
-# 4. Создание агента с HumanInTheLoopMiddleware
+# 4. Создание агента с interrupt_before=["tools"]
 agent = create_react_agent(
     tools=[get_weather],
-    llm=llm,
+    model=llm,
     system_prompt="Ты полезный ассистент, отвечай точно.",
     checkpointer=memory,
-    middleware=[
+    interrupt_before=["tools"],  # включаем human‑in‑the‑loop
-        HumanInTheLoopMiddleware(
-            interrupt_on={"get_weather": True},  # прерывать на каждом вызове
-            description_prefix="Подтвердите вызов инструмента",
-        ),
-    ],
 )
 
-def run_agent():
+# 5. Запуск и цикл обработки прерываний
-    """
-    Запускает агента, обрабатывает прерывания и выводит финальный ответ.
-    """
 config = {"configurable": {"thread_id": "session-1"}}
-    # Инициализируем запрос
 result = agent.invoke(
     {"messages": [{"role": "human", "content": "Какая погода в Казани сегодня?"}]},
     config=config,
 )
 
-    # Обрабатываем прерывания до тех пор, пока они не исчезнут
 while "__interrupt__" in result:
-        interrupt_payload = result["__interrupt__"][0].value
+    # Последнее сообщение содержит вызов инструмента
-        action_requests = interrupt_payload.get("action_requests", [])
+    last_msg = result["messages"][-1]
-        review_configs = interrupt_payload.get("review_configs", {})
+    tool_call = last_msg.tool_calls[0]  # предполагаем один вызов
-        decisions = []
+    name = tool_call["name"]
-
+    args = tool_call.get("args", {})
-        for req in action_requests:
+    print(f"\nИнструмент: {name}")
-            name = req.get("name")
+    print(f"Аргументы: {args}")
-            args = req.get("args", {})
-            print("\nИнструмент:", name)
-            print("Аргументы:", args)
-
-            allowed = review_configs.get(name, {}).get(
-                "allowed_decisions", ["approve", "reject"]
-            )
-            print("Разрешённые решения:", allowed)
 
     choice = input("a=approve, r=reject: ").strip().lower()
     if choice == "r":
         msg = input("Причина отказа: ")
-                decisions.append({"type": "reject", "message": msg})
+        decisions = [{"type": "reject", "message": msg}]
     else:
-                decisions.append({"type": "approve"})
+        decisions = [{"type": "approve"}]
 
-        # Возобновляем выполнение агента
+    # Возобновляем выполнение
-        result = agent.invoke(Command(resume={"decisions": decisions}), config=config)
+    result = agent.invoke(Command(resume=decisions), config=config)
 
-    # Финальный ответ агента
+# 6. Финальный ответ
 final_answer = result["messages"][-1].content
 print("\nОтвет агента:\n", final_answer)
-
-
-if __name__ == "__main__":
-    run_agent()