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：

@SpringBootApplication
public class _9a_HumanInTheLoop_Simple_Validator {

    public static void main(String[] args) throws IOException {
        ConfigurableApplicationContext context = SpringApplication.run(AgentDesignPatternApplication.class, args);
        ChatModel model = context.getBean("ollamaChatModel", ChatModel.class);
        RagProvider ragProvider = context.getBean("ragProvider", RagProvider.class);

        // 3. 创建相关智能体
        InterviewOrganizer interviewOrganizer = AgenticServices.agentBuilder(InterviewOrganizer.class)
                .chatModel(model)
                .tools(new OrganizingTools())
                .contentRetriever(ragProvider.loadHouseRulesRetriever())
                .build();

        EmailAssistant emailAssistant = AgenticServices.agentBuilder(EmailAssistant.class)
                .chatModel(model)
                .tools(new OrganizingTools())
                .build();

        HiringDecisionProposer decisionProposer = AgenticServices.agentBuilder(HiringDecisionProposer.class)
                .chatModel(model)
                .outputKey("modelDecision")
                .build();

        // 2. 定义人工验证环节
        HumanInTheLoop humanValidator = AgenticServices.humanInTheLoopBuilder()
                .description("验证模型提出的招聘决策")
                .inputKey("modelDecision")
                .outputKey("finalDecision") // 由人工检查
                .requestWriter(request -> {
                    System.out.println("AI招聘助手建议: " + request);
                    System.out.println("请确认最终决定。");
                    System.out.println("选项: 邀请现场面试 (I), 拒绝 (R), 暂缓 (H)");
                    System.out.print("> "); // 在实际系统中需要输入验证和错误处理
                })
                .responseReader(() -> new Scanner(System.in).nextLine())
                .build();

        // 3. 将智能体链接成工作流
        UntypedAgent hiringDecisionWorkflow = AgenticServices.sequenceBuilder()
                .subAgents(decisionProposer, humanValidator)
                .outputKey("finalDecision")
                .build();

        // 4. 准备输入参数
        Map<String, Object> input = Map.of(
                "cvReview", new CvReview(0.85,
                        """
                                技术能力强，但缺乏所需的React经验。
                                似乎是快速独立学习者。文化契合度良好。
                                工作许可可能存在潜在问题，但似乎可以解决。
                                薪资期望略高于计划预算。
                                决定继续进行现场面试。
                                """)
        );

        System.out.println(input + "\n");

        // 5. 运行工作流
        String finalDecision = (String) hiringDecisionWorkflow.invoke(input);

        System.out.println("\n=== 人工最终决定 ===");
        System.out.println("(邀请现场面试 (I), 拒绝 (R), 暂缓 (H))\n");
        System.out.println(finalDecision);

        UntypedAgent candidateResponder = AgenticServices
                .conditionalBuilder()
                .subAgents(agenticScope -> finalDecision.contains("I"), interviewOrganizer)
                .subAgents(agenticScope -> finalDecision.contains("R"), emailAssistant)
                .subAgents(agenticScope -> finalDecision.contains("H"), new HoldOnAssist())
                .build();

        String candidateContact = StringLoader.loadFromResource("/documents/candidate_contact.txt");
        String jobDescription = StringLoader.loadFromResource("/documents/job_description_backend.txt");


        Map<String, Object> arguments = Map.of(
                "candidateContact", candidateContact,
                "jobDescription", jobDescription
        );

        // 6. 根据人工最终决定，进行下一步操作
        candidateResponder.invoke(arguments);

        // 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。
        // 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，
        // 这些部分可以在用户回答之前潜在执行。
    }
}

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 

public class HoldOnAssist {

    @Agent(description = "招聘流程暂缓")
    public void abort() {
        System.out.println("招聘流程暂缓");
    }
}

 

输出日志：

{cvReview=
CvReview:  - score = 0.85
- feedback = "技术能力强，但缺乏所需的React经验。
似乎是快速独立学习者。文化契合度良好。
工作许可可能存在潜在问题，但似乎可以解决。
薪资期望略高于计划预算。
决定继续进行现场面试。
"
}

AI招聘助手建议: **招聘理由汇总：**

**优势：** 技术能力强，文化契合度良好，学习能力佳

**风险：** 缺乏React经验，薪资略超预算，潜在工作许可问题  

**建议：** 继续现场面试评估，面试后综合决定
请确认最终决定。
选项: 邀请现场面试 (I), 拒绝 (R), 暂缓 (H)
> H

=== 人工最终决定 ===
(邀请现场面试 (I), 拒绝 (R), 暂缓 (H))

H
招聘流程暂缓

 

时序图（简化版) - AI生成

时序图（详细版) - AI生成

 

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