❝ 上节课，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。没看过的同学可以点击链接LangGraph实战：可控的AI航空客服助手查阅。在本章节中，我们通过将工具分为只读（安全）和修改数据（敏感）两类，来优化我们的中断机制。我们仅对敏感工具实施中断，使得机器人能够自主处理一些简单的查询。
这种设计既保持了用户控制权，又确保了对话流程的顺畅。但随着工具数量的增加，单一的图结构可能会变得过于复杂。我们将在下一节中解决这个问题。
第三部分的图将类似于下面的示意图：
第三部分示意图
状态定义
首先，定义图的状态。我们的状态和LLM调用与第二部分相同 。
from typing import Annotated
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import Runnable, RunnableConfig
from typing_extensions import TypedDict
from langgraph.graph.message import AnyMessage, add_messages
class State(TypedDict):
messages: Annotated[list[AnyMessage], add_messages]
user_info: str
class Assistant:
def \_\_init\_\_(self, runnable: Runnable):
self.runnable = runnable
def \_\_call\_\_(self, state: State, config: RunnableConfig):
while True:
result = self.runnable.invoke(state)
# 如果LLM碰巧返回了一个空响应，我们将重新提示它
# 以获得一个实际的响应。
if not result.tool_calls and (
not result.content
or 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}
messages = state["messages"] + [("user", "请给出真实的输出。")]
state = {**state, "messages": messages}
else:
break
return {"messages": result}
# Haiku更快更便宜，但准确性较低
# llm = ChatAnthropic(model="claude-3-haiku-20240307")
llm = ChatAnthropic(model="claude-3-sonnet-20240229", temperature=1)
# 你可以更新LLMs，尽管你可能需要更新提示
# from langchain\_openai import ChatOpenAI
# llm = ChatOpenAI(model="gpt-4-turbo-preview")
assistant提示 = ChatPromptTemplate.from_messages(
[
(
"system",
"你是一位乐于助人的瑞士航空客户支持助手。"
" 使用提供的工具搜索航班、公司政策和其他信息以协助用户的查询。"
" 当搜索时，要坚持不懈。如果第一次搜索没有结果，扩大你的查询范围。"
" 如果搜索空手而归，请在放弃之前扩大你的搜索。"
"\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())
# "阅读"仅工具（例如检索器）不需要用户确认即可使用
part_3_safe_tools = [
TavilySearchResults(max_results=1),
fetch_user_flight_information,
search_flights,
lookup_policy,
search_car_rentals,
search_hotels,
search_trip_recommendations,
]
# 这些工具都改变了用户的预订。
# 用户有权控制做出什么决定
part_3_sensitive_tools = [
update_ticket_to_new_flight,
cancel_ticket,
book_car_rental,
update_car_rental,
cancel_car_rental,
book_hotel,
update_hotel,
cancel_hotel,
book_excursion,
update_excursion,
cancel_excursion,
]
sensitive_tool_names = {t.name for t in part_3_sensitive_tools}
# 我们的LLM不需要知道它必须路由到哪个节点。在它的"思维"中，它只是在调用函数。
part_3_assistant_runnable = assistant_prompt | llm.bind_tools(
part_3_safe_tools + part_3_sensitive_tools
)
图的定义
现在，创建图。我们的图与第二部分几乎相同 ，只是我们将工具分为了两个不同的节点。我们只在实际更改用户预订的工具之前进行中断。
from typing import Literal
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.graph import END, StateGraph
from langgraph.prebuilt import tools_condition
builder = StateGraph(State)
def user\_info(state: State):
return {"user\_info": fetch_user_flight_information.invoke({})}
# 新增：fetch\_user\_info节点首先运行，这意味着我们的助手可以在
# 不需要采取行动的情况下看到用户的航班信息
builder.add_node("fetch\_user\_info", user_info)
builder.set_entry_point("fetch\_user\_info")
builder.add_node("assistant", Assistant(part_3_assistant_runnable))
builder.add_node("safe\_tools", create_tool_node_with_fallback(part_3_safe_tools))
builder.add_node(
"sensitive\_tools", create_tool_node_with_fallback(part_3_sensitive_tools)
)
# 定义逻辑
builder.add_edge("fetch\_user\_info", "assistant")
def route\_tools(state: State) -> Literal["safe\_tools", "sensitive\_tools", "\_\_end\_\_"]:
next_node = tools_condition(state)
# 如果没有调用工具，返回用户
if next_node == END:
return END
ai_message = state["messages"][-1]
# 这假设是单个工具调用。要处理并行工具调用，你将想要
# 使用ANY条件
first_tool_call = ai_message.tool_calls[0]
if first_tool_call["name"] in sensitive_tool_names:
return "sensitive\_tools"
return "safe\_tools"
builder.add_conditional_edges(
"assistant",
route_tools,
)
builder.add_edge("safe\_tools", "assistant")
builder.add_edge("sensitive\_tools", "assistant")
memory = SqliteSaver.from_conn_string(":memory:")
part_3_graph = builder.compile(
checkpointer=memory,
# 新增：图将在执行"tools"节点之前始终停止。
# 用户可以在助手继续之前批准或拒绝（甚至更改请求）
interrupt_before=["sensitive\_tools"],
)
示例对话
接下来，让我们尝试新修订的聊天机器人！我们将在以下对话列表上运行它。这次，我们将减少确认的次数。
import shutil
import uuid
# 使用备份文件更新，以便我们可以从每个部分的原始位置重新启动
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,
}
}
tutorial_questions = [
"嗨，我的航班是什么时候？",
"我可以更新我的航班到更早的时间吗？我想今天晚些时候离开。",
"那就更新到下周的某个时间",
"下一个可用的选项很好",
"关于住宿和交通呢？",
"是的，我想要一个负担得起的酒店，用于我为期一周的住宿（7天）。我还想要租一辆车。",
"好的，可以为你推荐的酒店预订吗？听起来不错。",
"是的，继续预订任何中等费用且有可用性的酒店。",
"现在对于汽车，我的选择是什么？",
"太棒了，我们只需要最便宜的选项。继续预订7天",
"好的，现在你对旅行有什么建议？",
"在我在那里的时候，它们可用吗？",
"有趣 - 我喜欢博物馆，有什么选择？",
"好的，选一个并在我到达的第二天为我预订。",
]
_printed = set()
# 我们可以重用第一部分的教程问题，看看它的表现如何。
for question in tutorial_questions:
events = part_3_graph.stream(
{"messages": ("user", question)}, config, stream_mode="values"
)
for event in events:
_print_event(event, _printed)
snapshot = part_3_graph.get_state(config)
while snapshot.next:
# 我们有中断！代理试图使用工具，用户可以批准或拒绝它
# 注意：此代码都在图之外。通常，你会将输出流到UI。
# 然后，当用户提供输入时，你会通过API调用触发新的运行。
user_input = input(
"你是否批准上述操作？输入'y'继续；"
" 否则，请说明你请求的更改。\n\n"
)
if user_input.strip() == "y":
# 只是继续
result = part_3_graph.invoke(
None,
config,
)
else:
# 通过提供有关请求更改/改变主意的说明
# 满足工具调用
result = part_3_graph.invoke(
{
"messages": [
ToolMessage(
tool_call_id=event["messages"][-1].tool_calls[0]["id"],
content=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_3_graph.get_state(config)
第三部分回顾
现在，我们的聊天机器人工作得很好，你可以通过LangSmith跟踪来检查它的最新运行情况。这个设计可能已经满足了你的需求。代码是封闭的，并且它的行为符合预期。
然而，这个设计的一个潜在问题是，它对单个提示施加了很大压力。如果我们想要添加更多工具，或者每个工具变得更加复杂，那么机器人使用工具的效率和整体行为可能会受到影响。
在下一节中，我们将展示如何通过根据用户的意图将用户引导至专业代理或子图，来更精确地控制不同的用户体验。
今天的内容就到这里，如果老铁觉得还行，可以来一波三连，感谢！
PS
：
AI小智技术交流群（技术交流、摸鱼、白嫖课程为主）又不定时开放了，感兴趣的朋友，可以在下方公号内回复：666，即可进入。
老规矩
，道友们还记得么，
右下角的 “在看” 点一下
， 如果感觉文章内容不错的话，记得分享朋友圈让更多的人知道！