157 lines
6.7 KiB
Python
157 lines
6.7 KiB
Python
#!/usr/bin/env python3
|
||
# -*- coding: utf-8 -*-
|
||
|
||
"""
|
||
solution.py
|
||
|
||
Пример использования HumanInTheLoopMiddleware в LangChain Agent.
|
||
При каждом вызове инструмента агент останавливается и запрашивает у пользователя подтверждение
|
||
(approve / reject). После принятия решения выполнение возобновляется через Command.
|
||
|
||
Требования:
|
||
pip install langchain langgraph openai rich
|
||
"""
|
||
|
||
import json
|
||
from typing import Any, Dict, List
|
||
|
||
# --------------------------------------------------------------------------- #
|
||
# 1. Подключаем необходимые модули LangChain и LangGraph
|
||
# --------------------------------------------------------------------------- #
|
||
|
||
from langchain.agents import create_agent
|
||
from langchain.agents.middleware import HumanInTheLoopMiddleware
|
||
from langgraph.checkpoint.memory import MemorySaver
|
||
from langgraph.types import Command
|
||
from langchain.tools import tool
|
||
|
||
# --------------------------------------------------------------------------- #
|
||
# 2. Определяем простой инструмент get_weather
|
||
# --------------------------------------------------------------------------- #
|
||
|
||
@tool("get_weather", "Получить погоду в указанном городе и дате")
|
||
def get_weather(city: str, date: str) -> str:
|
||
"""
|
||
Возвращает фиктивную информацию о погоде.
|
||
В реальном проекте здесь можно подключиться к API погоды.
|
||
"""
|
||
return f"Погода в {city} на {date}: солнечно, 25°C."
|
||
|
||
# --------------------------------------------------------------------------- #
|
||
# 3. Создаём LLM (используем OpenAI GPT-4o-mini как пример)
|
||
# --------------------------------------------------------------------------- #
|
||
|
||
from langchain_openai import ChatOpenAI
|
||
|
||
llm = ChatOpenAI(
|
||
model="gpt-4o-mini",
|
||
temperature=0,
|
||
)
|
||
|
||
# --------------------------------------------------------------------------- #
|
||
# 4. Настраиваем агент с HumanInTheLoopMiddleware
|
||
# --------------------------------------------------------------------------- #
|
||
|
||
memory = MemorySaver()
|
||
|
||
agent = create_agent(
|
||
model=llm,
|
||
tools=[get_weather],
|
||
system_prompt="Ты полезный ассистент, помогающий пользователю.",
|
||
middleware=[
|
||
HumanInTheLoopMiddleware(
|
||
interrupt_on={
|
||
"get_weather": True, # разрешаем все решения
|
||
},
|
||
description_prefix="Подтвердите вызов инструмента",
|
||
),
|
||
],
|
||
checkpointer=memory,
|
||
)
|
||
|
||
# --------------------------------------------------------------------------- #
|
||
# 5. Функция для получения решений от пользователя
|
||
# --------------------------------------------------------------------------- #
|
||
|
||
def ask_decisions(action_requests: List[Dict[str, Any]]) -> List[Dict[str, Any]]:
|
||
"""
|
||
Для каждого запроса к инструменту выводим информацию и запрашиваем у пользователя решение.
|
||
Возвращаем список словарей с решениями в том же порядке, что и action_requests.
|
||
"""
|
||
decisions = []
|
||
print("\n--- Подтверждение вызова инструмента ---")
|
||
for idx, req in enumerate(action_requests):
|
||
name = req.get("name", "неизвестный инструмент")
|
||
args = req.get("args", {})
|
||
description = req.get("description", "")
|
||
|
||
print(f"\n{idx + 1}. Инструмент: {name}")
|
||
if description:
|
||
print(f" Описание: {description}")
|
||
print(f" Аргументы: {json.dumps(args, ensure_ascii=False)}")
|
||
|
||
while True:
|
||
choice = input("a = approve, r = reject: ").strip().lower()
|
||
if choice == "a":
|
||
decisions.append({"type": "approve"})
|
||
break
|
||
elif choice == "r":
|
||
msg = input(
|
||
"Введите причину отказа (можно оставить пустой): "
|
||
).strip()
|
||
decisions.append({"type": "reject", "message": msg})
|
||
break
|
||
else:
|
||
print("Неверный ввод. Пожалуйста, введите 'a' или 'r'.")
|
||
return decisions
|
||
|
||
# --------------------------------------------------------------------------- #
|
||
# 6. Основной цикл взаимодействия с агентом
|
||
# --------------------------------------------------------------------------- #
|
||
|
||
def main() -> None:
|
||
"""
|
||
Запускает чат-цикл: пользователь вводит сообщение,
|
||
агент обрабатывает его, при необходимости запрашивает подтверждение.
|
||
После завершения выводится финальный ответ агента.
|
||
"""
|
||
thread_id = "session-1"
|
||
config = {"configurable": {"thread_id": thread_id}}
|
||
|
||
print("Привет! Я ассистент. Введите ваш запрос (или 'выход' для завершения).")
|
||
|
||
while True:
|
||
user_msg = input("\nВы: ").strip()
|
||
if user_msg.lower() in ("выход", "quit", "exit"):
|
||
print("До свидания!")
|
||
break
|
||
|
||
# Первый вызов агента
|
||
result = agent.invoke(
|
||
{"messages": [{"role": "human", "content": user_msg}]},
|
||
config=config,
|
||
)
|
||
|
||
# Цикл подтверждений
|
||
while "__interrupt__" in result:
|
||
interrupt_value = result["__interrupt__"][0].value
|
||
action_requests = interrupt_value.get("action_requests", [])
|
||
# review_configs не используется в этом примере, но можно вывести при желании
|
||
|
||
decisions = ask_decisions(action_requests)
|
||
|
||
# Возобновляем выполнение агента с решениями
|
||
result = agent.invoke(
|
||
Command(resume={"decisions": decisions}),
|
||
config=config,
|
||
)
|
||
|
||
# После завершения выводим ответ агента
|
||
if "messages" in result and result["messages"]:
|
||
last_msg = result["messages"][-1]
|
||
print(f"\nАгент: {last_msg.get('content', '')}")
|
||
else:
|
||
print("\nАгент не вернул ответа.")
|
||
|
||
if __name__ == "__main__":
|
||
main() |