构建“人在回路”的智能体工作流

📌 一句话摘要

本文深入探讨了如何使用 LangGraph 构建“人在回路”（Human-in-the-Loop， HITL）的智能体工作流，详细介绍了如何利用中断（interrupts）和检查点（checkpointers）在 AI 驱动的内容生成中实现人工监督。

📝 详细摘要

作者认为，尽管 LLM 智能体的能力日益增强，但在研究和内容创作等正确性具有主观性的任务中，人工监督仍然至关重要。本文演示了如何使用 LangGraph 构建一个工作流：该工作流可以搜索网络、生成社交媒体帖子，并在发布到 Bluesky 之前需要人工审批。文中讨论的关键技术机制包括用于暂停执行的 interrupt() 函数、用于接收人工输入并恢复执行的 Command 对象，以及使用 SQLite 检查点在会话间持久化图状态。指南还强调了关键的最佳实践，例如确保包含中断的节点具有幂等性，以防止在工作流恢复期间出现冗余的 API 调用或非确定性行为。

💡 主要观点

- “人在回路”（HITL）设计对于主观性任务至关重要。 与编码（执行后可获得即时反馈）不同，内容创作和决策等领域需要人类判断来评估正确性，并防止错误在多步智能体工作流中传播。

LangGraph 为生产级智能体工作流提供了细粒度的控制。 与高层抽象相比，LangGraph 允许显式定义数据流、决策节点和人工干预点，使其适用于复杂、可靠的 AI 系统。

中断和检查点是 HITL 的核心机制。 中断会暂停图执行以等待人工输入，而检查点（如 SQLite 或 Postgres）会保存状态快照，允许工作流使用唯一的线程 ID 从中断处准确恢复。

在节点内实现中断时，幂等性至关重要。 由于 LangGraph 在恢复时可能会重新运行发生中断的节点，开发人员必须确保之前的代码（如 API 调用或搜索）是幂等的，或者将其移至中断之后，以避免出现不一致的结果。

💬 文章金句

- 由于 LLM 固有的概率特性和潜在的错误，人工审查仍然很重要。

LangGraph 没有抽象提示词或架构，从而为我们提供了所需的更细粒度的控制。
中断使我们能够在特定点暂停图执行，向人类展示特定信息，并在恢复工作流之前等待他们的输入。
确保中断之前的任何代码都可以安全地多次运行（即幂等性），或者将其移至中断之后。

📊 文章信息

AI 评分：87

来源：Towards Data Science

作者：Kenneth Leung

分类：人工智能

语言：英文

阅读时间：8 分钟

字数：1987

标签： LangGraph, LLM 智能体, 人在回路, AI 编排, Python

阅读完整文章

构建“人在回路”的智能体工作流

🤖 問 AI