# Human‑in‑the‑Loop через Middleware

## Описание проекта  
В этом проекте реализован агент на базе LangChain, который использует **HumanInTheLoopMiddleware** для ручного подтверждения вызовов инструментов. Каждый раз, когда агент планирует использовать инструмент (например, `get_weather`), он останавливается и выводит в терминал сообщение с просьбой подтвердить действие. Пользователь вводит одно из решений (`approve`, `reject` или `edit`) и только после этого выполнение возобновляется.

> **Преимущество**: Middleware сам формирует запрос на подтверждение, обрабатывает ответ и управляет переходом к следующему шагу через `Command(resume={…})`. Это упрощает интеграцию Human‑in‑the‑Loop по сравнению с ручным использованием `interrupt_before=['tools']`.

## Структура проекта  
```
├── solution.py          # Основной скрипт, реализующий агента
└── README.md            # Текущий файл
```

---

## Установка зависимостей

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

# Установите необходимые библиотеки
pip install langchain langgraph langchain-community openai
```

> **Важно**  
> * Если у вас нет ключа OpenAI, замените `OpenAI` на любой другой LLM (например, `DummyLLM`, который возвращает фиксированный ответ).  
> * Для работы с `HumanInTheLoopMiddleware` требуется версия LangChain ≥ 0.2 и LangGraph ≥ 0.1.

---

## Запуск проекта

```bash
python solution.py
```

### Что происходит при запуске?

1. Инициализируется LLM (по умолчанию OpenAI).  
2. Создаётся инструмент `get_weather`.  
3. Агент создаётся с Middleware, который перехватывает вызовы инструмента и запрашивает подтверждение у пользователя.  
4. В терминале выводятся сообщения вида:

```
[HumanInTheLoop] Подтвердите вызов инструмента:
   - get_weather
Введите решение (approve/reject/edit):
```

5. После ввода решения агент продолжает работу.

---

## Пример использования

```bash
$ python solution.py
> Какую погоду в Москве сегодня?

[HumanInTheLoop] Подтвердите вызов инструмента:
   - get_weather
Введите решение (approve/reject/edit): approve

Ответ агента: Сегодня в Москве солнечно, температура 22°C.
```

Если пользователь введёт `reject`, агент отменит вызов и попытается найти другой способ ответа. В случае `edit` можно изменить параметры запроса к инструменту.

---

## Как добавить собственный инструмент

1. Определите функцию‑инструмент:

```python
def get_time(location: str) -> str:
    # Возвращает текущее время в указанном месте
```

2. Добавьте её в список `tools` при создании агента и настройте Middleware:

```python
agent = create_agent(
    model=llm,
    tools=[get_weather, get_time],
    middleware=[
        HumanInTheLoopMiddleware(
            interrupt_on={"get_time": True},
            description_prefix="Подтвердите вызов инструмента",
        ),
    ],
)
```

---

## Тестирование

Для быстрой проверки можно использовать `DummyLLM`, который всегда возвращает один и тот же ответ. Это удобно, если у вас нет доступа к OpenAI.

```python
class DummyLLM:
    def __call__(self, *args, **kwargs):
        return "dummy response"
```

---

## FAQ

| Вопрос | Ответ |
|--------|-------|
| Как отключить Human‑in‑the‑Loop? | Удалите Middleware из списка `middleware` при создании агента. |
| Можно ли задать только `approve` и `reject`, без `edit`? | Да, передайте в `interrupt_on`: `{"get_weather": {"allowed_decisions": ["approve", "reject"]}}`. |
| Что делать, если агент не сохраняет состояние после паузы? | Убедитесь, что вы передали `checkpointer=MemorySaver()` при создании агента. |

---

## Лицензия

MIT © 2026