Agent设计模式学习(基于langchain4j实现)(9) - 人机协同

听风的韩 發表於 2026-1-31 19:13:00

Agent设计模式学习(基于langchain4j实现)(9) - 人机协同

经过前面的一系列流程，招聘来到了最重要的1个环节，AI虽然强大，但是不能完全代替人做决定，最终还是要Boss决策这个候选人的去留。从系统设计角度来说，整个AI智能体环节中，要预留人工干预的能力，也称为"人机协同"（human_in_the_loop)
 
示例代码：
<div class="cnblogs_code"><img src="https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif" id="code_img_closed_1dcb8dfb-81c2-4a54-8b67-6b9de0ed259b" class="code_img_closed"><img src="https://images.cnblogs.com/OutliningIndicators/ExpandedBlockStart.gif" id="code_img_opened_1dcb8dfb-81c2-4a54-8b67-6b9de0ed259b" class="code_img_opened" style="display: none">
<div id="cnblogs_code_open_1dcb8dfb-81c2-4a54-8b67-6b9de0ed259b" class="cnblogs_code_hide">
<pre> 1 @SpringBootApplication
 2 public class _9a_HumanInTheLoop_Simple_Validator {
 3
 4 public static void main(String[] args) throws IOException {
 5 ConfigurableApplicationContext context = SpringApplication.run(AgentDesignPatternApplication.class, args);
 6 ChatModel model = context.getBean("ollamaChatModel", ChatModel.class);
 7 RagProvider ragProvider = context.getBean("ragProvider", RagProvider.class);
 8
 9 // 3. 创建相关智能体
10 InterviewOrganizer interviewOrganizer = AgenticServices.agentBuilder(InterviewOrganizer.class)
11 .chatModel(model)
12 .tools(new OrganizingTools())
13 .contentRetriever(ragProvider.loadHouseRulesRetriever())
14 .build();
15
16 EmailAssistant emailAssistant = AgenticServices.agentBuilder(EmailAssistant.class)
17 .chatModel(model)
18 .tools(new OrganizingTools())
19 .build();
20
21 HiringDecisionProposer decisionProposer = AgenticServices.agentBuilder(HiringDecisionProposer.class)
22 .chatModel(model)
23 .outputKey("modelDecision")
24 .build();
25
26 // 2. 定义人工验证环节
27 HumanInTheLoop humanValidator = AgenticServices.humanInTheLoopBuilder()
28 .description("验证模型提出的招聘决策")
29 .inputKey("modelDecision")
30 .outputKey("finalDecision") // 由人工检查
31 .requestWriter(request -> {
32 System.out.println("AI招聘助手建议: " + request);
33 System.out.println("请确认最终决定。");
34 System.out.println("选项: 邀请现场面试 (I), 拒绝 (R), 暂缓 (H)");
35 System.out.print("> "); // 在实际系统中需要输入验证和错误处理
36 })
37 .responseReader(() -> new Scanner(System.in).nextLine())
38 .build();
39
40 // 3. 将智能体链接成工作流
41 UntypedAgent hiringDecisionWorkflow = AgenticServices.sequenceBuilder()
42 .subAgents(decisionProposer, humanValidator)
43 .outputKey("finalDecision")
44 .build();
45
46 // 4. 准备输入参数
47 Map<String, Object> input = Map.of(
48 "cvReview", new CvReview(0.85,
49 """
50 技术能力强，但缺乏所需的React经验。
51 似乎是快速独立学习者。文化契合度良好。
52 工作许可可能存在潜在问题，但似乎可以解决。
53 薪资期望略高于计划预算。
54 决定继续进行现场面试。
55 """)
56 );
57
58 System.out.println(input + "\n");
59
60 // 5. 运行工作流
61 String finalDecision = (String) hiringDecisionWorkflow.invoke(input);
62
63 System.out.println("\n=== 人工最终决定 ===");
64 System.out.println("(邀请现场面试 (I), 拒绝 (R), 暂缓 (H))\n");
65 System.out.println(finalDecision);
66
67 UntypedAgent candidateResponder = AgenticServices
68 .conditionalBuilder()
69 .subAgents(agenticScope -> finalDecision.contains("I"), interviewOrganizer)
70 .subAgents(agenticScope -> finalDecision.contains("R"), emailAssistant)
71 .subAgents(agenticScope -> finalDecision.contains("H"), new HoldOnAssist())
72 .build();
73
74 String candidateContact = StringLoader.loadFromResource("/documents/candidate_contact.txt");
75 String jobDescription = StringLoader.loadFromResource("/documents/job_description_backend.txt");
76
77
78 Map<String, Object> arguments = Map.of(
79 "candidateContact", candidateContact,
80 "jobDescription", jobDescription
81 );
82
83 // 6. 根据人工最终决定，进行下一步操作
84 candidateResponder.invoke(arguments);
85
86 // 注意：人工参与和人工验证通常需要较长时间等待用户响应。
87 // 在这种情况下，建议使用异步智能体，这样它们不会阻塞工作流的其余部分，
88 // 这些部分可以在用户回答之前潜在执行。
89 }
90 }</pre>
</div>
_9a_HumanInTheLoop_Simple_Validator </div>
解释一下：
27行，这里的 AgenticServices.humanInTheLoopBuilder() 表示这里需要人机协助，协助的方式由29行的 new Scanner(System.in).nextLine() 指定为终端控制台输入（也可以根据需要，换成其它方式，比如：读数据库，调用接口从其它系统获取）
67-71行，则是根据人工指令做出的响应（即前面学过过的条件工作流)，如果输入H，则执行下面的Agent 
<div class="cnblogs_code"><img src="https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif" id="code_img_closed_ef6c700a-cb4a-4c51-9f86-6dd90dfac617" class="code_img_closed"><img src="https://images.cnblogs.com/OutliningIndicators/ExpandedBlockStart.gif" id="code_img_opened_ef6c700a-cb4a-4c51-9f86-6dd90dfac617" class="code_img_opened" style="display: none">
<div id="cnblogs_code_open_ef6c700a-cb4a-4c51-9f86-6dd90dfac617" class="cnblogs_code_hide">
<pre>1 public class HoldOnAssist {
2
3 @Agent(description = "招聘流程暂缓")
4 public void abort() {
5 System.out.println("招聘流程暂缓");
6 }
7 }</pre>
</div>
HoldOnAssist </div>
 
输出日志：
<div class="cnblogs_code"><img src="https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif" id="code_img_closed_ff148868-d85f-42d3-b110-8b0b9113cfb0" class="code_img_closed"><img src="https://images.cnblogs.com/OutliningIndicators/ExpandedBlockStart.gif" id="code_img_opened_ff148868-d85f-42d3-b110-8b0b9113cfb0" class="code_img_opened" style="display: none">
<div id="cnblogs_code_open_ff148868-d85f-42d3-b110-8b0b9113cfb0" class="cnblogs_code_hide">
<pre> 1 {cvReview=
 2 CvReview:- score = 0.85
 3 - feedback = "技术能力强，但缺乏所需的React经验。
 4 似乎是快速独立学习者。文化契合度良好。
 5 工作许可可能存在潜在问题，但似乎可以解决。
 6 薪资期望略高于计划预算。
 7 决定继续进行现场面试。
 8 "
 9 }
10
11 AI招聘助手建议: **招聘理由汇总：**
12
13 **优势：** 技术能力强，文化契合度良好，学习能力佳
14
15 **风险：** 缺乏React经验，薪资略超预算，潜在工作许可问题
16
17 **建议：** 继续现场面试评估，面试后综合决定
18 请确认最终决定。
19 选项: 邀请现场面试 (I), 拒绝 (R), 暂缓 (H)
20 > H
21
22 === 人工最终决定 ===
23 (邀请现场面试 (I), 拒绝 (R), 暂缓 (H))
24
25 H
26 招聘流程暂缓</pre>
</div>
View Code</div>
<img src="https://img2024.cnblogs.com/blog/27612/202601/27612-20260131190653692-204541313.png" alt="image" width="480" loading="lazy" style="border: 1px solid rgba(0, 0, 0, 1)">
 
时序图（简化版) - AI生成
<img src="https://img2024.cnblogs.com/blog/27612/202601/27612-20260131190032208-585724069.png" alt="09_human_diagram_simple" width="480" loading="lazy" style="border: 1px solid rgba(0, 0, 0, 1)">
时序图（详细版) - AI生成 <img src="https://img2024.cnblogs.com/blog/27612/202601/27612-20260131190151177-743821235.png" alt="09_human_diagram_detail" width="480" loading="lazy" style="border: 1px solid rgba(0, 0, 0, 1)">
 
文中示例代码：
https://github.com/yjmyzz/agentic_turoial_with_langchain4j 
 
参考：
Building Effective AI Agents \ Anthropic
[译] AI Workflow & AI Agent：架构、模式与工程建议（Anthropic，2024）
Agents and Agentic AI | LangChain4j

</div>
<div id="MySignature" role="contentinfo">
<div style="padding:5px;background:#ff9;border:solid 1px #ccc">作者：菩提树下的杨过 
出处：http://yjmyzz.cnblogs.com
 
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
</div> 
来源：https://www.cnblogs.com/yjmyzz/p/19558861/agentic-patterns-using-langchain4j-9-human_in_the_loop

頁: [1]

琼殿技术论坛's Archiver

Agent设计模式学习(基于langchain4j实现)(9) - 人机协同