91 lines
3.5 KiB
Python
91 lines
3.5 KiB
Python
# solution.py
|
||
|
||
"""
|
||
Пример агента с Human-in-the-Loop через middleware.
|
||
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.tools import tool
|
||
from langgraph.checkpoint.memory import MemorySaver
|
||
from langchain.agents.middleware import HumanInTheLoopMiddleware
|
||
from langchain.agents import create_react_agent
|
||
from langgraph.types import Command
|
||
|
||
# 1. Модель LLM (замените на нужную модель и укажите ключ API)
|
||
llm = ChatOpenAI(
|
||
model="gpt-4o-mini", # пример модели, можно заменить
|
||
temperature=0.7,
|
||
)
|
||
|
||
# 2. Простой инструмент
|
||
@tool
|
||
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
|
||
memory = MemorySaver()
|
||
|
||
# 4. Создание агента с HumanInTheLoopMiddleware
|
||
agent = create_react_agent(
|
||
tools=[get_weather],
|
||
llm=llm,
|
||
system_prompt="Ты полезный ассистент, отвечай точно.",
|
||
checkpointer=memory,
|
||
middleware=[
|
||
HumanInTheLoopMiddleware(
|
||
interrupt_on={"get_weather": True}, # прерывать на каждом вызове
|
||
description_prefix="Подтвердите вызов инструмента",
|
||
),
|
||
],
|
||
)
|
||
|
||
def run_agent():
|
||
"""
|
||
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
|
||
action_requests = interrupt_payload.get("action_requests", [])
|
||
review_configs = interrupt_payload.get("review_configs", {})
|
||
decisions = []
|
||
|
||
for req in action_requests:
|
||
name = req.get("name")
|
||
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})
|
||
else:
|
||
decisions.append({"type": "approve"})
|
||
|
||
# Возобновляем выполнение агента
|
||
result = agent.invoke(Command(resume={"decisions": decisions}), config=config)
|
||
|
||
# Финальный ответ агента
|
||
final_answer = result["messages"][-1].content
|
||
print("\nОтвет агента:\n", final_answer)
|
||
|
||
|
||
if __name__ == "__main__":
|
||
run_agent() |