LangGraph：人工干预与自动化结合

在智能对话系统的世界里，我们常常追求完全自动化的解决方案。但现实情况是，有些时候机器并不能完美地理解人类的需求，这就需要人工干预来弥补机器的不足。LangGraph通过引入“人工干预”机制，让智能对话系统在自动化的同时，也能灵活地融入人工的智慧。今天，我们就来聊聊这个有趣的话题。

人工干预可以让智能系统在执行任务时，根据用户的反馈进行调整，从而更好地满足用户的需求。这种人机协作的方式，既利用了机器的高效性，又弥补了机器可能存在的不足。

LangGraph的人工干预机制

LangGraph通过一个特殊的工具interrupt来实现人工干预。可以在智能系统执行任务的过程中，暂停任务的执行，等待用户的输入。用户可以根据自己的需求，对任务的参数进行修改，或者直接接受系统的建议。

1.一个简单的例子：预订酒店

假设你正在开发一个智能酒店预订系统，你希望在用户预订酒店时，能够让他们手动修改酒店的名称。
你可以使用LangGraph的interrupt工具来实现这个功能。

# -*- coding: utf-8 -*-
from langgraph.prebuilt import create_react_agent
from langchain_community.chat_models.tongyi import ChatTongyi

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.types import interrupt
from langgraph.prebuilt import create_react_agent


#模型初始化
llm = ChatTongyi(
    model="qwen-turbo",#qwen-max-latest qwen-plus
    temperature=0,
    verbose=True,
    )

#定义一个工具函数,有interrupt 封装一个工具支持人工参与的循环审查
def book_hotel(hotel_name: str):
    """预订酒店"""
    response = interrupt(  
        f"尝试调用book_hotel酒店的名称{
    
    {'hotel_name': {
     
     hotel_name}}}. "
        "请编辑后点击确认."
    )
    if response["type"] == "accept":
        pass
    elif response["type"] == "edit":
        hotel_name = response["args"]["hotel_name"]
    else:
        raise ValueError(f"Unknown response type: {
     
     response['type']}")
    return f"成功的预订到酒店，名称为 {
     
     hotel_name}."

checkpointer = InMemorySaver() 

agent = create_react_agent