当智能助手代表用户执行操作时，用户几乎总是应该对是否执行这些操作拥有最终决定权。否则，即使是智能助手的一点小失误，或是它未能抵御的任何指令注入，都可能对用户造成实际损害。

在这部分，我们将利用LangGraph的interrupt_before功能，在执行任何工具之前，暂停流程并把控制权交还给用户。

您的流程图可能看起来像这样：

流程图示例

和之前一样，我们首先定义状态：

状态与智能助手

我们的流程图状态和LLM调用与第一部分基本相同，除了：

from typing import Annotatedfrom langchain_anthropic import ChatAnthropicfrom langchain_community.tools.tavily_search import TavilySearchResultsfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.runnables import Runnable, RunnableConfigfrom typing_extensions import TypedDictfrom langgraph.graph.message import AnyMessage, add_messagesclass State(TypedDict):messages: Annotated[list[AnyMessage], add_messages]user_info: strclass Assistant:def __init__(self, runnable: Runnable):self.runnable = runnabledef __call__(self, state: State, config: RunnableConfig):while True:passenger_id = config.get("passenger_id", None)result = self.runnable.invoke(state)# 如果大型语言模型恰好返回了一个空响应，我们将重新请求一个实际的响应。if not result.tool_calls and (not result.contentor isinstance(result.content, list)and not result.content[0].get("text")):messages = state["messages"] + [("user", "请给出真实的输出。")]state = {**state, "messages": messages}else:breakreturn {"messages": result}# Haiku模型更快更经济，但准确性较低# llm = ChatAnthropic(model="claude-3-haiku-20240307")llm = ChatAnthropic(model="claude-3-sonnet-20240229", temperature=1)# 你也可以使用OpenAI或其他模型，尽管你可能需要调整提示# from langchain_openai import ChatOpenAI# llm = ChatOpenAI(model="gpt-4-turbo-preview")assistant_prompt = ChatPromptTemplate.from_messages([("system","你是一个乐于助人的瑞士航空客户支持智能助手。""利用提供的工具搜索航班、公司政策和其他信息，以帮助解答用户的疑问。""在搜索时，要持之以恒。如果首次搜索没有结果，就扩大你的搜索范围。""如果搜索依然一无所获，继续扩大搜索范围，不要轻言放弃。""\n\n当前用户：\n<User>\n{user_info}\n</User>""\n当前时间：{time}。",),("placeholder", "{messages}"),]).partial(time=datetime.now())part_2_tools = [TavilySearchResults(max_results=1),fetch_user_flight_information,search_flights,lookup_policy,update_ticket_to_new_flight,cancel_ticket,search_car_rentals,book_car_rental,update_car_rental,cancel_car_rental,search_hotels,book_hotel,update_hotel,cancel_hotel,search_trip_recommendations,book_excursion,update_excursion,cancel_excursion,]part_2_assistant_runnable = assistant_prompt | llm.bind_tools(part_2_tools)

定义流程图

现在，创建流程图。根据第一部分的反馈，我们做出两个改变：

from langgraph.checkpoint.sqlite import SqliteSaverfrom langgraph.graph import END, StateGraphfrom langgraph.prebuilt import ToolNode, tools_conditionbuilder = StateGraph(State)def user_info(state: State):return {"user_info": fetch_user_flight_information.invoke({})}# 新增：fetch_user_info节点首先执行，这意味着我们的智能助手可以在# 不采取任何行动的情况下查看用户的航班信息builder.add_node("fetch_user_info", user_info)builder.set_entry_point("fetch_user_info")builder.add_node("assistant", Assistant(part_2_assistant_runnable))builder.add_node("action", create_tool_node_with_fallback(part_2_tools))builder.add_edge("fetch_user_info", "assistant")builder.add_conditional_edges("assistant", tools_condition, {"action": "action", END: END})builder.add_edge("action", "assistant")memory = SqliteSaver.from_conn_string(":memory:")part_2_graph = builder.compile(checkpointer=memory,# 新增：流程图在执行“action”节点之前总是暂停。# 用户可以在智能助手继续之前批准或拒绝（甚至修改请求）interrupt_before=["action"],)

from IPython.display import Image, displaytry:display(Image(part_2_graph.get_graph(xray=True).draw_mermaid_png()))except:# 这需要一些额外的依赖项，并且是可选的pass

流程图示例2

示例对话

现在，让我们通过以下对话示例来测试我们新修订的聊天机器人。

import shutilimport uuid# 使用备份文件更新，以便我们可以从每个部分的起始点重新启动shutil.copy(backup_file, db)thread_id = str(uuid.uuid4())config = {"configurable": {# passenger_id在我们的航班工具中使用，以获取用户的航班信息"passenger_id": "3442 587242",# 通过thread_id访问检查点"thread_id": thread_id,}}_printed = set()# 我们可以重复使用第一部分的教程问题，以观察聊天机器人的表现。for question in tutorial_questions:events = part_2_graph.stream({"messages": ("user", question)}, config, stream_mode="values")for event in events:_print_event(event, _printed)snapshot = part_2_graph.get_state(config)while snapshot.next:# 我们遇到了一个中断！代理正试图使用一个工具，而用户可以批准或拒绝它# 注意：这段代码位于你的流程图之外。通常，你会将输出流式传输到用户界面。# 然后，你会在用户输入时，通过API调用触发一个新的运行。user_input = input("你同意上述操作吗？输入'y'以继续；""否则，请说明你请求的更改。\n\n")if user_input.strip() == "y":# 继续执行result = part_2_graph.invoke(None,config,)else:# 通过提供关于请求更改/改变主意的说明，满足工具调用result = part_2_graph.invoke({"messages": [ToolMessage(tool_call_id=event["messages"][-1].tool_calls[0]["id"],cnotallow=f"API调用被用户拒绝。理由：'{user_input}'. 继续协助，考虑用户的输入。",)]},config,)snapshot = part_2_graph.get_state(config)

第二部分回顾

现在，我们的智能助手能够节省一步来响应我们的航班详情。我们还完全控制了执行的操作。这一切都是通过LangGraph的interrupts和checkpointers实现的。中断暂停了流程图的执行，其状态使用配置的检查点器安全地持久化。用户随后可以在任何时候通过使用正确的配置运行它来启动它。

查看一个LangSmith示例跟踪，以更好地理解流程图是如何运行的。注意从这个跟踪中，你通常通过使用(None, config)调用流程图来恢复流程。状态从检查点加载，就像它从未被中断过一样。

这个流程图工作得很好！但当需要我们参与每一个智能助手的行动的要求，十分影响使用体验，并且助手在执行查询等动作时并不会影响实际业务。