我们的图状态和 LLM 调用与上一章几乎相同，但有一个例外：我们添加了一个user_info字段，它将在图开始时就被填充，我们可以直接在助手对象中使用状态，而不是使用可配置参数。# 定义状态user_info: str # 新增：用户信息字段# 定义助手类# 如果 LLM 恰好返回空响应，我们会重新提示它给出实际响应):else:break# 配置 LLM# 定义助手提示词"system",),#

从上面4中设计模式可以看到，LangGraph 的中断功能为 LLM 应用程序提供了强大的人机交互能力，使得在关键步骤中引入人工审查和干预成为可能。通过合理设计工作流，开发者可以确保LLM生成的输出和工具调用在敏感或关键场景中的准确性和可靠性。无论是批准、编辑还是多轮对话，LangGraph 的设计模式都为构建复杂的人机协同系统提供了灵活且强大的工具。

这不是一篇关于AI多么神奇的文章。这是一篇关于你可以选择怎样组织自己的工作和创业的文章。历史上每一次生产力革命，都重新定义了"一个人能做多少事"的上限。蒸汽机重新定义了体力。互联网重新定义了信息。AI Agent正在重新定义脑力。你现在站在这个节点上。选择用旧方式继续走，还是装上新的发动机——这个决定，不需要钱，不需要资源，只需要你今晚花一个小时。开始吧。如果这篇文章对你有启发，转发给一个正在创业

如果我们想要手动管理函数调用，而不是完全交给 OpenAI API。如我们可以自己定义 function_call 逻辑。return f"location } 的天气是晴天 🌞" functions = [ {"name" : "get_weather" , "description" : "获取天气信息" , "parameters" : {

这不是一篇关于AI多么神奇的文章。这是一篇关于你可以选择怎样组织自己的工作和创业的文章。历史上每一次生产力革命，都重新定义了"一个人能做多少事"的上限。蒸汽机重新定义了体力。互联网重新定义了信息。AI Agent正在重新定义脑力。你现在站在这个节点上。选择用旧方式继续走，还是装上新的发动机——这个决定，不需要钱，不需要资源，只需要你今晚花一个小时。开始吧。如果这篇文章对你有启发，转发给一个正在创业

如果我们想要手动管理函数调用，而不是完全交给 OpenAI API。如我们可以自己定义 function_call 逻辑。return f"location } 的天气是晴天 🌞" functions = [ {"name" : "get_weather" , "description" : "获取天气信息" , "parameters" : {

在我们的代码中，这个更新状态和覆盖消息都是基于我们打断agent来的，在上面这些运行日志里也可以看到每一步包括agent在用tools工具搜索之前组装的内容是什么，然后我们覆盖的消息是什么，最后工具出来的结果是什么，很好的实现了我们控制agent的行为。下一节我们将实现人类和agent交互的最后一步，自定义状态。

这节我们探讨下如何使用interrupt等待用户输入，虽然前面都有讲过，但是有部分同学还是一知半解，我决定把这一块详细的逻辑整理出来，从头到尾给大家讲述一下。人机交互 (HIL) 交互对于agentic系统至关重要。等待人工输入是一种常见的HIL交互模式，允许agentic询问用户澄清问题并在继续之前等待输入。我们可以使用函数在LangGraph中实现这一点。interrupt允许我们停止图形执行

在我们新写的例子中，我们要建立一个旅行助理代理团队，他们可以通过交流相互沟通。下面我们先创建两个agent：可以帮助推荐旅行目的地。可以向hotel_advisor agent寻求帮助。：可以帮助推荐酒店。可以向travel_advisor agent寻求帮助。我们将使用这种方式来构建agent，因为我们的每个agent都将拥有特定于其专业领域的工具以及用于移交到另一个agent 的特殊工具。@t

让我们构建一个包含单个节点的图。我们的节点只是一个 Python 函数，它读取图的状态并对其进行更新。")定义节点只是将消息附加到我们的消息列表中，然后填充一个额外的字段。接下来，接下来我们将定义一个简单的图，其中包含我们之前创建的节点。我们将使用 StateGraph 来定义一个操作该状态的图，并使用 add_node 将我们的节点添加到图中。在这种情况下，我们的图只是执行一个节点。