LangGraph中的检查点与人机交互，大模型入门到精通，收藏这篇就足够了！

最新推荐文章于 2025-12-03 18:48:20 发布

原创最新推荐文章于 2025-12-03 18:48:20 发布 · 628 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#llama #人工智能 #langchain #性能优化 #深度学习 #LLM #LangGraph

一、LangGraph的检查点机制

检查点机制是LangGraph中一个强大的功能，它允许我们在图执行的特定点暂停处理，保存状态，并在需要时恢复。

1.1 检查点的基本概念

检查点本质上是图执行过程中的一个快照，包含了当前的状态信息。这对于长时间运行的任务、需要人工干预的流程，或者需要断点续传的应用特别有用。

1.2 创建检查点

在LangGraph中，我们可以使用create_checkpoint函数来创建检查点：

fromimport create_checkpoint

def process_with_checkpoint(state):
    # 处理逻辑# ...# 创建检查点 create_checkpoint(state)
    return"checkpoint""state": state}

graph.add_node("process"

1.3 恢复检查点

使用load_checkpoint函数可以恢复之前保存的检查点：

fromimport load_checkpoint

def resume_from_checkpoint(checkpoint):
    state  load_checkpoint(checkpoint)
    # 继续处理# ...return state

graph.add_node("resume"

二、实现人在环路(Human-in-the-loop)交互

人在环路交互是指在AI系统的执行过程中，允许人类参与并提供输入或做出决策。LangGraph提供了灵活的机制来实现这种交互。

2.1 使用回调函数实现人机交互

我们可以在图的节点中定义回调函数，用于获取人类输入：

def human_input_node(state):
    # 显示当前状态给用户print"Current state:", state)
    
    # 获取用户输入"Please provide your input: ")
    
    # 更新状态'user_input' user_input
    return state

graph.add_node("human_input"

2.2 条件分支实现人机交互

我们可以使用条件分支来决定是否需要人类干预：

def check_confidence(state):
    if'confidence':
        return"human_input"else:
        return"auto_process"

graph.add_conditional_edges(
    "check_confidence",
    {
        "human_input"lambda'confidence',
        "auto_process"lambda'confidence'
    }
)

三、实际应用案例：智能客服系统升级版

让我们将检查点机制和人机交互结合到之前的智能客服系统中：

fromimport ToolMessage, HumanMessage
fromimport create_checkpoint, load_checkpoint

def process_query(state):
    # 处理用户查询# ...'confidence' calculate_confidence(state)
    return state

def human_intervention(state):
    print"Current conversation:"'messages'])
    human_response "Please provide assistance: ")
    state['messages'human_response))
    return state

def summarize_and_prune(state):
    # 总结对话'messages'])
    
    # 保留最新的消息和总结'messages':]
    new_messages.append(ToolMessage(contentsummary))
    
    state['messages' new_messages
    
    # 创建检查点 create_checkpoint(state)
    state['checkpoint' checkpoint
    
    return state

graph  Graph()
graph.add_node("process_query", process_query)
graph.add_node("human_intervention", human_intervention)
graph.add_node("summarize_and_prune", summarize_and_prune)

graph.add_conditional_edges(
    "process_query",
    {
        "human_intervention"lambda'confidence',
        "summarize_and_prune"lambda'confidence'
    }
)
graph.add_edge("human_intervention""summarize_and_prune")
graph.add_edge("summarize_and_prune""process_query"

在这个升级版的智能客服系统中，我们引入了以下改进：

根据置信度决定是否需要人工干预。
在每次总结和修剪后创建检查点，以便在需要时恢复状态。
人工干预节点允许人类直接参与对话。

总结

LangGraph的检查点机制和人机交互功能为构建复杂、可靠的AI系统提供了强大的工具。通过合理使用这些功能，我们可以创建更加智能、灵活且可控的应用程序。检查点允许我们在长时间运行的任务中保存和恢复状态，而人机交互则为AI决策过程引入了人类的判断和专业知识。在实际应用中，这些功能的结合可以显著提高系统的性能和可靠性。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！