# Human‑in‑the‑Loop via Middleware  

## 📖 Описание  
В этом проекте реализован агент на базе LangChain, который при каждом вызове инструмента останавливается и запрашивает подтверждение пользователя.  
* **HumanInTheLoopMiddleware** автоматически формирует запрос к пользователю (в терминале) с описанием того, что планирует сделать агент.  
* Пользователь вводит одно из решений: `approve`, `reject` или `edit`. После этого выполнение возобновляется через команду `Command(resume={"decisions": [...]})`.  

Таким образом, пользователь всегда контролирует действия агента и может корректировать их в реальном времени.

## 📦 Установка зависимостей  
```bash
# Создайте виртуальное окружение (рекомендовано)
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# Установите зависимости из requirements.txt
pip install -r requirements.txt
```

`requirements.txt`
```txt
langchain==0.2.*
langgraph==0.1.*
openai==1.*
python-dotenv==1.*
```

> **Важно**:  
> * `checkpointer=MemorySaver()` нужен для сохранения состояния паузы, иначе агент не сможет возобновиться после подтверждения.  
> * Убедитесь, что переменная окружения `OPENAI_API_KEY` установлена (или используйте `.env` файл).

## 🚀 Запуск файлов  

| Файл | Что делает | Как запустить |
|------|------------|---------------|
| `agent.py` | Создаёт агента с middleware и инструментом `get_weather`. | `python agent.py` |
| `run_agent.py` | Демонстрирует взаимодействие: задаётся вопрос, агент вызывает инструмент, пользователь подтверждает. | `python run_agent.py` |

### Пример запуска
```bash
# 1️⃣ Запустите агента
python agent.py

# 2️⃣ В другом терминале запустите сценарий взаимодействия
python run_agent.py
```

## 🧪 Пример использования  

```python
from langchain.agents import create_agent
from langgraph.checkpoint.memory import MemorySaver
from langchain.agents.middleware import HumanInTheLoopMiddleware

# Инициализация памяти для сохранения состояния паузы
memory = MemorySaver()

agent = create_agent(
    model=llm,
    tools=[get_weather],
    system_prompt="Ты полезный ассистент",
    middleware=[
        HumanInTheLoopMiddleware(
            interrupt_on={
                "get_weather": True,  # разрешаем все решения: approve, edit, reject
            },
            description_prefix="Подтвердите вызов инструмента",
        ),
    ],
    checkpointer=memory,
)

# Запрос к агенту
response = agent.run("Какая погода в Москве?")
print(response)
```

При выполнении агента вы увидите в терминале запрос вида:

```
[HumanInTheLoop] Подтвердите вызов инструмента:
Agent wants to call tool 'get_weather' with arguments: {"location": "Moscow"}
Enter decision (approve/reject/edit):
```

Введите `approve`, и агент продолжит работу, возвращая результат.  
Если ввести `reject` – запрос будет отменён, а если `edit` – можно изменить аргументы перед повторным вызовом.

---

## 📚 Дополнительные ресурсы  

* [Документация Human‑in‑the‑Loop — LangChain](https://docs.langchain.com/oss/python/langchain/human-in-the-loop)  
* [LangGraph Checkpointing](https://langgraph.org/docs/checkpoints)

---