如何将人类参与的流程添加到预构建的ReAct代理¶
本指南将展示如何将人类参与的流程添加到预构建的ReAct代理中。请参阅此教程以了解如何开始使用预构建的ReAct代理。
您可以通过将 interrupt_before=["tools"] 传递给 create_react_agent 来在调用工具之前添加一个断点。请注意，您需要使用检查点功能才能使其工作。
设置¶
首先，让我们安装所需的包并设置我们的API密钥。
import getpass
import os
def _set_env(var: str):
if not os.environ.get(var):
os.environ[var] = getpass.getpass(f"{var}: ")
_set_env("OPENAI_API_KEY")
为LangGraph开发设置 LangSmith
注册LangSmith以快速发现问题并改善您的LangGraph项目的性能。LangSmith允许您使用追踪数据来调试、测试和监控您使用LangGraph构建的LLM应用程序 — 了解如何开始 请在这里查看.
代码¶
# 首先，我们初始化我们想要使用的模型。
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o", temperature=0)
# 在本教程中，我们将使用一个自定义工具，该工具返回两个城市（纽约市和旧金山）预定义的天气值。
from typing import Literal
from langchain_core.tools import tool
@tool
def get_weather(location: str):
"""使用此功能获取指定位置的天气信息。"""
if location.lower() in ["nyc", "new york"]:
return "It might be cloudy in nyc"
elif location.lower() in ["sf", "san francisco"]:
return "It's always sunny in sf"
else:
raise AssertionError("Unknown Location")
tools = [get_weather]
# 我们需要一个检查点工具来支持人机协作模式。
from langgraph.checkpoint.memory import MemorySaver
memory = MemorySaver()
# 定义图形
from langgraph.prebuilt import create_react_agent
graph = create_react_agent(
model, tools=tools, interrupt_before=["tools"], checkpointer=memory
)
用法¶
def print_stream(stream):
"""一个用于美化打印流的工具。"""
for s in stream:
message = s["messages"][-1]
if isinstance(message, tuple):
print(message)
else:
message.pretty_print()
from langchain_core.messages import HumanMessage
config = {"configurable": {"thread_id": "42"}}
inputs = {"messages": [("user", "what is the weather in SF, CA?")]}
print_stream(graph.stream(inputs, config, stream_mode="values"))
================================[1m Human Message [0m=================================
what is the weather in SF, CA?
==================================[1m Ai Message [0m==================================
Tool Calls:
get_weather (call_YjOKDkgMGgUZUpKIasYk1AdK)
Call ID: call_YjOKDkgMGgUZUpKIasYk1AdK
Args:
location: SF, CA
API Reference:
HumanMessage
我们可以验证我们的图在正确的位置停止了：
现在我们可以选择批准或编辑工具调用，然后再继续到下一个节点。如果我们想要批准工具调用，我们只需继续以None 输入流式传输图形。如果我们想要编辑工具调用，我们需要更新状态以具有正确的工具调用，然后在应用更新后，我们可以继续。
我们可以尝试恢复，我们会看到出现一个错误：
==================================[1m Ai Message [0m==================================
Tool Calls:
get_weather (call_YjOKDkgMGgUZUpKIasYk1AdK)
Call ID: call_YjOKDkgMGgUZUpKIasYk1AdK
Args:
location: SF, CA
=================================[1m Tool Message [0m=================================
Name: get_weather
Error: AssertionError('Unknown Location')
Please fix your mistakes.
==================================[1m Ai Message [0m==================================
Tool Calls:
get_weather (call_CLu9ofeBhtWF2oheBspxXkfE)
Call ID: call_CLu9ofeBhtWF2oheBspxXkfE
Args:
location: San Francisco, CA
现在让我们展示如何编辑工具调用，以搜索“旧金山”，而不是“旧金山，CA” - 因为我们的工具处理“旧金山，CA”时将其视为未知位置。我们将更新状态，然后继续流式传输图形，应该不会出现错误：
state = graph.get_state(config)
last_message = state.values["messages"][-1]
last_message.tool_calls[0]["args"] = {"location": "San Francisco"}
graph.update_state(config, {"messages": [last_message]})
{'configurable': {'thread_id': '42',
'checkpoint_ns': '',
'checkpoint_id': '1ef801d1-5b93-6bb9-8004-a088af1f9cec'}}
==================================[1m Ai Message [0m==================================
Tool Calls:
get_weather (call_CLu9ofeBhtWF2oheBspxXkfE)
Call ID: call_CLu9ofeBhtWF2oheBspxXkfE
Args:
location: San Francisco
=================================[1m Tool Message [0m=================================
Name: get_weather
It's always sunny in sf
==================================[1m Ai Message [0m==================================
The weather in San Francisco is currently sunny.
