在前几篇文章中，我们介绍了 LangGraph 实现多轮对话、工具调用和记忆。但在实际应用场景里，完全让Agent自主做决策并不总是最优解。有些环节需要人进行确认或干预，例如：

• 财务或法律类应用中，模型生成的建议必须经过人工确认。
• 医疗类应用中，AI 可以给出初步诊断，但医生才是最终的决策者。
• 多工具协作时，AI 可能不确定该选用哪个工具，需要人类来决定。

这就是 Human-in-the-loop (HITL) 的价值所在：在关键节点引入人工确认，保证智能应用既高效又可靠。

一、什么是 Human-in-the-loop？

HITL 就是人在某些环节作为节点参与决策。在 LangGraph 中，它通常通过以下方式实现：

1. 1. 工具节点（Tool Node）：定义一个人类工具，模型可以调用该“人类工具”，把问题交给用户确认。
2. 2. 中断/等待机制：LangGraph 会暂停执行，直到人类提供反馈，用到了上一节的任务记忆。
3. 3. 继续执行：人类确认或修正后，流程继续。

这样做的好处是：

• 模型结果更可控
• 在多工具协同时减少错误调用
• 提升系统的安全性和可解释性

二、在 LangGraph 中实现 HITL

只需要定义一个人机交互工具即可。

from langgraph.types import interrupt
from langchain_core.tools import tool
@tool
defhuman_assistance(query: str) -> str:
"""请求人类帮助，模型在不确定时会调用此工具"""
    human_response = interrupt({"query": query})
return human_response["data"]

tools = [human_assistance]
llm_with_tools = llm.bind_tools(tools)

完整代码如下

我们移除之前聊天机器人的搜索工具，当我们询问实时信息时，模型就会调用人机交互工具。

from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.types import Command, interrupt
from langchain_core.tools import tool
from langgraph.checkpoint.memory import InMemorySaver
memory = InMemorySaver()
# 此处定义你自己的模型
llm = ChatOpenAI(model="qwen3_32")

# 定义人机交互工具
@tool
def human_assistance(query: str) -> str:
"""请求人类帮助，模型在不确定时会调用此工具"""
    human_response = interrupt({"query": query})
return human_response["data"]

tools = [human_assistance]
llm_with_tools = llm.bind_tools(tools)

# 定义图状态
class State(TypedDict):
    messages: Annotated[list, add_messages]  # 此处维护完整的消息历史

graph = StateGraph(State)

def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
tool_node = ToolNode(tools=tools)

graph.add_node("chatbot", chatbot)
graph.add_node("tools", tool_node)
graph.add_conditional_edges(
"chatbot",
    tools_condition,
)
graph.add_edge("tools", "chatbot")
graph.add_edge(START, "chatbot")
graph.add_edge("chatbot", END)

app = graph.compile(checkpointer=memory)

if __name__ == "__main__":
    thread_id = "multi_tool_hitl_demo"
    pending_interrupt = False
# 修改此处对话代码，区分普通对话和模型请求人类帮助
whileTrue:
ifnot pending_interrupt:
            user_input = input("👨‍💻: ")
if user_input.lower() in ["quit", "exit", "q"]:
print("Exiting...")
break
            response = app.invoke(
                {"messages": {"role": "user", "content": user_input}},
                config={"configurable": {"thread_id": thread_id}},
            )
else:
# 人类输入，恢复中断
            human_input = input("👨‍💻(人工介入): ")
            human_command = Command(resume={"data": human_input})
            response = app.invoke(
                human_command,
                config={"configurable": {"thread_id": thread_id}},
            )

# 判断中断还是正常输出
if"__interrupt__"in response:
            pending_interrupt = True
            query = response["__interrupt__"][0].value["query"]
print(f"🤖 <human_assistance> 请求人工帮助: {query}")
else:
            pending_interrupt = False
print(f'🤖: {response["messages"][-1].content}')

效果如下

在这个例子里：

1. 1. 模型发现用户问题涉及实时信息。
2. 2. 它没有搜索工具无法提供实时信息，所以调用 human_assistance请求提供更多信息。
3. 3. 用户输入实时信息后，Agent继续执行。

这样，我们就实现了一个Human-in-the-loop的流程。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！