1. 项目概述
作为一名长期奋战在AI工程化一线的开发者,我深知在实际业务场景中,纯粹的自动化流程往往难以满足复杂需求。今天要分享的是LangGraph中Human-in-the-loop(人机协同)机制的实战应用,这是我在多个生产项目中验证过的关键模式。
这个技术特别适合以下场景:
- 代码生成等需要质量把控的创作型任务
- 涉及敏感操作(如邮件发送、支付)的业务流程
- 需要专家知识介入的决策环节
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心概念解析
2.1 什么是Human-in-the-loop
Human-in-the-loop(人机协同)是一种将人类判断力与AI自动化能力相结合的设计模式。在LangGraph中,它通过中断机制实现流程的"暂停-人工输入-恢复"循环。
典型应用场景包括:
- 代码生成后的质量审核
- 敏感操作前的二次确认
- AI不确定时的专家干预
2.2 中断机制的类型
LangGraph提供两种中断方式:
interrupt_before:在进入指定节点前暂停interrupt_after:在离开指定节点后暂停
重要提示:在条件路由场景下,优先使用
interrupt_before,避免与条件边的逻辑冲突
3. 环境准备与基础配置
3.1 依赖安装
建议使用虚拟环境进行隔离:
bash复制python -m venv langgraph_env
source langgraph_env/bin/activate # Linux/Mac
pip install -U langgraph langchain langchain-deepseek langchain-core
3.2 状态设计
合理的状态设计是人机协同的基础:
python复制from typing import Annotated, TypedDict
from langgraph.graph.message import add_messages
class State(TypedDict):
messages: Annotated[list[AnyMessage], add_messages]
project_requirements: Annotated[st
