Runtime on 男娘教主

MemoryGraph + HITL 审批 + 长期记忆端到端验证复盘

Sun, 13 Sep 2026 13:53:21 +0800

LangGraph W6-D6：Checkpoint、HITL 与长期记忆的一次端到端实验

本节目标：把前面学习过的几个能力真正串起来：

checkpoint 持久化：让 Agent 可以跨进程恢复会话

HITL 人工审批：让危险操作执行前需要人工确认

长期记忆：让信息真正脱离某一次会话保存

可验证性：不只看 Agent 说了什么，而是直接检查外部世界的真实状态

这一节对我来说，没有特别多新的 LangGraph API。

真正变化的是：

开始把前面学过的几个机制放到同一个完整系统里思考。

以前更关注的是：

1
2
3


这个 API 怎么用？
这个节点怎么写？
这个图怎么跑？

这一节开始需要进一步问：

1
2
3
4
5


状态保存在哪里？
这个动作为什么允许执行？
人工审批到底停在哪里？
重新启动以后怎么继续？
最后到底有没有真的改变外部世界？

所以最终形成的 Agent 不再只是：

1
2
3
4
5


用户
 ↓
模型
 ↓
工具

而逐渐变成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


用户
 ↓
Agent 决策
 ↓
判断风险
 ↓
必要时人工审批
 ↓
执行工具
 ↓
改变外部世界
 ↓
验证真实结果

一、为什么 Agent 有了工具以后，需要“审批”？

前面的 Agent 已经可以：

调用工具
保存状态
恢复上下文
跨进程继续执行

但是工具能力越强，另一个问题就越明显：

如果 Agent 可以直接修改外部世界怎么办？

例如：

1
2
3
4


删除文件
发送邮件
修改数据库
写入长期记忆

这些操作和普通查询有一个很重要的区别：

1
2
3
4
5


查询
 ↓
读取外部世界
 ↓
通常没有副作用

而：

1
2
3
4
5


写入 / 删除 / 修改
 ↓
改变外部世界
 ↓
产生副作用

所以真正需要控制的不是：

Agent 能不能调用工具。

而是：

Agent 提出的工具调用，什么时候可以真正执行。

因此可以增加一层权限控制：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


 Agent 决策
 │
 判断工具风险
 │
 ┌──────────┴──────────┐
 │ │
 安全工具 危险工具
 │ │
 直接执行 interrupt
 │
 人工确认
 │
 Command(resume)
 │
 执行工具

这里的 HITL 并不是单纯“弹一个确认框”。

它实际上是在控制：

1

Control Flow

也就是：

这条执行路径到底有没有资格继续往下走。

二、这一天最大的提升：验证方式发生了变化

之前学习 HITL 时，我很自然会用：

1

print("删除文件")

作为工具执行证据。

如果看到：

1

删除文件

就说明工具执行了。

如果没看到：

1

删除文件

就认为工具没有执行。

但这个验证方式其实比较弱。

因为：

1

日志 ≠ 真实状态

日志可能：

漏掉
打错
被误导
只能说明某段代码走到了，而不能完全证明外部状态正确

所以这一节开始把验证标准升级成：

不要只看 Agent 说了什么，也不要只看日志，直接检查外部世界。

例如长期记忆：

批准：

1

alice@x.com

应该存在。

拒绝：

1

X99

不应该存在。

于是最终的验证：

1
2


assert any("alice@x.com" in t for t in texts)
assert not any("X99" in t for t in texts)

这里验证的已经不是：

1

工具有没有打印？

而是：

1
2
3
4
5
6
7


批准
 ↓
外部数据真的发生变化

拒绝
 ↓
外部数据真的没有发生变化

这也是我这一天对测试理解比较明显的一次变化：

1
2
3
4
5
6
7


过程证据
 ↓
日志、print、next、消息数

结果证据
 ↓
直接读取外部数据

如果任务本身有一个明确的外部结果，直接检查结果通常更有说服力。

三、Checkpoint 记忆和长期记忆不是一回事

这是今天最容易混淆的地方之一。

之前已经学过 checkpoint，因此很容易产生一个直觉：

checkpoint 能保存以前的信息，那它是不是就是长期记忆？

不是。

1. checkpoint 保存的是一次执行过程的状态

这一节使用：

1

SqliteSaver

保存 checkpoint。

并且通过：

1

thread_id

区分不同会话。

例如：

1

thread = alice-1

这个槽位里保存：

1
2
3
4
5


消息
状态
执行位置
暂停点
……

因此 checkpoint 更像：

这个 Agent 的某一次会话，现在执行到哪里，以及之前发生过什么。

例如：

1
2
3
4
5
6
7
8


第一次

用户：
我的邮箱是 alice@x.com

 ↓

checkpoint 保存

下一次：

1
2
3
4
5
6
7
8


用户：
我的邮箱是什么？

 ↓

使用同一个 thread_id
 ↓
恢复原来的会话状态

四、长期记忆又是什么？

这次实验另外使用：

1

w6d6_long_term_mem.json

作为一个最小化的长期记忆库。

它和 checkpoint 最大的区别是：

它不属于某一个 thread。

例如：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


alice-1
 │
 └──────┐
 ↓
 长期记忆库
 ↑
 │
 ┌──────┘
 │
carol-1

Alice 的会话写进去的信息，Carol 的新会话也可以查询。

所以可以先简单理解成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


 Agent Memory
 │
 ┌───────────┴───────────┐
 │ │
 checkpoint long-term memory
 │ │
 会话状态 长期信息
 │ │
 thread_id user_id
 │ │
 当前上下文 跨会话访问

因此：

1

checkpoint

解决的是：

这一次 Agent 执行过程如何保存和恢复？

而：

1

long-term memory

解决的是：

这个用户的信息如何脱离某一次会话长期保存？

五、为什么必须专门设计一个“新 thread”来验证长期记忆？

假设：

1
2


Alice
thread_id = alice-1

已经告诉 Agent：

1

我的邮箱是 alice@x.com

然后还是：

1

thread_id = alice-1

再问：

1

我的邮箱是什么？

如果答对了：

1

alice@x.com

我们其实不能确定到底是谁提供了这个答案。

可能是：

1
2
3
4
5


checkpoint
 ↓
恢复了之前的对话
 ↓
模型知道邮箱

也可能是：

1
2
3


long-term memory
 ↓
查询出了邮箱

所以真正的测试应该是：

1
2
3
4
5


Alice
 ↓
alice-1
 ↓
保存邮箱

然后：

1
2
3
4
5
6
7


Carol
 ↓
carol-1
 ↓
一个全新的 checkpoint
 ↓
询问邮箱

如果 Carol 仍然能找到：

1

alice@x.com

才能证明：

1

信息来自 long-term memory

而不是 Alice 的 checkpoint。

所以这个实验实际上是在主动把两个概念隔离开：

1
2
3


同 thread
 ↓
验证 checkpoint

1
2
3


新 thread
 ↓
验证 long-term memory

这是这次实验设计里比较重要的一点。

六、为什么不能所有工具都需要审批？

如果所有工具一律审批：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


搜索资料
 ↓
请批准

查询天气
 ↓
请批准

读取长期记忆
 ↓
请批准

Agent 虽然安全，但是基本没法正常使用。

所以更合理的方式是：

1
2
3
4
5
6
7
8


工具
 ↓
判断是否产生副作用
 ↓
┌───────────────┴───────────────┐
安全 危险
 ↓ ↓
直接执行 人工审批

这次实验把：

1

remember_fact

定义为危险工具。

而：

1

search_memory

是只读工具。

所以：

1
2
3


DANGEROUS = {
 "remember_fact"
}

真正的思想不是“把某个工具名字记进一个集合”。

而是：

不同工具应该有不同的权限等级。

现在使用硬编码只是为了完成实验。

未来真正工程化以后，可以继续发展成：

1
2
3
4
5
6
7


Tool Registry
 ↓
Tool Metadata
 ↓
Permission System
 ↓
判断是否需要人工审批

七、HITL 到底停在哪里？

这一节重新使用了：

1

interrupt()

它最大的特点是：

暂停发生在节点内部。

例如：

1
2
3
4
5
6
7
8
9


approve 节点
 ↓
读取模型提出的工具调用
 ↓
interrupt()
 ↓
图暂停
 ↓
保存 checkpoint

代码核心：

1
2
3
4


answer = interrupt({
 "question": f"模型想执行 {todo}，批准吗？",
 "options": ["approve", "reject"],
})

执行到这里以后，不会继续往下执行。

之后等待：

1

Command(resume="approve")

或者：

1

Command(resume="reject")

再恢复。

八、interrupt() 和 interrupt_before 的区别

这一部分之前已经学过，这次放到实际审批场景里理解会更加直观。

interrupt()

位置：

1

节点内部

例如：

1
2
3
4
5
6
7


approve 节点
 ↓
判断金额
 ↓
金额 > 10000
 ↓
interrupt()

适合动态业务逻辑。

interrupt_before

位置：

1

节点边界

例如：

1
2
3


A
 ↓
B

可以在进入 B 之前暂停。

所以可以先记空间关系：

1
2
3
4
5


interrupt()
 = 节点里面停

interrupt_before
 = 节点前面停

九、阶段 A：先验证 SqliteSaver 的跨进程持久化

这一阶段故意把事情做得非常简单。

不加审批，不加长期记忆。

只验证：

换一个进程以后，同一个 thread 能不能恢复之前的状态？

实验：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14


write
 ↓
保存 Alice 的邮箱

read
 ↓
新进程
同 thread
询问邮箱

other
 ↓
新 thread
询问邮箱

这里真正重要的代码只有几个部分。

首先：

1
2
3
4
5
6


conn = sqlite3.connect(
 DB,
 check_same_thread=False
)

saver = SqliteSaver(conn)

然后编译：

1

graph = build_graph(saver)

真正把 checkpoint 接进图：

1

return b.compile(checkpointer=saver)

之后：

1
2
3
4
5


cfg = {
 "configurable": {
 "thread_id": THREAD
 }
}

最后：

1
2
3
4


graph.invoke(
 {"messages": [("user", question)]},
 cfg
)

所以这里需要把三个东西串起来：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


SqliteSaver
 ↓
保存 checkpoint


thread_id
 ↓
告诉系统保存/读取哪个会话


config
 ↓
invoke 时把这个身份传进去

并不是：

“SQLite 自动让所有会话共享记忆。”

而是：

SQLite 保存 checkpoint，而 thread_id 决定你正在访问哪个 checkpoint 槽位。

十、阶段 B：在危险工具前加入 HITL

阶段 B 开始真正把 HITL 接进控制流。

整体：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


START
 ↓
decide
 ↓
有没有 tool_calls？
 ↓
approve
 ↓
人工确认
 ↓
tools
 ↓
summarize
 ↓
END

关键点是：

1

模型不是直接执行工具

而是：

1
2
3
4
5
6
7
8
9


模型
 ↓
提出 tool_call
 ↓
审批节点
 ↓
决定是否放行
 ↓
ToolNode

所以真正控制危险动作的，不是模型本身。

而是：

1

图的控制流

十一、拒绝时为什么不能随便返回一条 AIMessage？

这一节里遇到一个非常值得记录的坑。

最直觉的写法可能是：

1
2
3
4
5
6


if answer == "reject":
 return {
 "messages": [
 AIMessage(content="已取消")
 ]
 }

但是模型已经产生了：

1
2


AIMessage
 └── tool_calls

这意味着后面需要有与这些 tool_calls 对应的工具消息回执。

也就是：

1
2
3
4
5
6
7


AIMessage
 └── tool_call_id = abc

 ↓

ToolMessage
 └── tool_call_id = abc

因此拒绝时最终返回：

1
2
3
4


ToolMessage(
 content="用户拒绝执行本次调用",
 tool_call_id=tc["id"]
)

这个坑让我更清楚地意识到：

tool call 不是模型的一句普通文本，而是一套消息协议。

模型声明：

1

我要调用工具 X

那么后续消息历史中就需要有与之对应的回执。

十二、阶段 C：长期记忆 + HITL + 跨进程

阶段 C 才是真正的端到端实验。

同时存在：

1
2
3
4
5
6
7


SQLite
 ↓
checkpoint / 会话状态

JSON
 ↓
long-term memory / 长期信息

同时存在两个工具：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


search_memory
 ↓
只读
 ↓
安全
 ↓
直接执行


remember_fact
 ↓
写入
 ↓
有副作用
 ↓
需要审批

因此完整的流程变成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20


用户
 ↓
decide
 ↓
判断 tool_calls
 ↓
是否包含危险工具？
 ├── 否 → tools
 │
 └── 是 → approve
 ↓
 interrupt
 ↓
 人工 approve/reject
 ↓
 tools / END
 ↓
 summarize
 ↓
 END

十三、这次实验最终怎么证明“系统真的正确”？

实验设计了两条路径。

路径一：批准

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


Alice
 ↓
记住：我是 Alice，邮箱 alice@x.com
 ↓
remember_fact
 ↓
interrupt
 ↓
approve
 ↓
真正写入长期记忆

最终检查：

1

alice@x.com

存在。

路径二：拒绝

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


Bob
 ↓
记住：我的工号是 X99
 ↓
remember_fact
 ↓
interrupt
 ↓
reject
 ↓
工具不能真正执行

最终检查：

1

X99

不存在。

因此：

1
2
3


assert any("alice@x.com" in t for t in texts)

assert not any("X99" in t for t in texts)

这两条断言实际上证明了两件不同的事：

1

批准路径确实产生了副作用

以及：

1

拒绝路径没有产生副作用

十四、这一节让我对 Agent 的理解发生了什么变化？

如果只总结 API：

1
2
3
4
5


SqliteSaver
interrupt
Command
ToolNode
ToolMessage

那么以后很容易又变成“看过，但不会真正串起来”。

现在我更倾向于从四层理解：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19


第一层：State
 ↓
当前 Agent 有什么状态？
状态保存在哪里？


第二层：Control Flow
 ↓
下一步允许进入哪个节点？


第三层：Permission
 ↓
这个动作有没有资格真正执行？


第四层：Verification
 ↓
外部世界最后到底有没有发生变化？

所以一个成熟一点的 Agent，不应该只问：

“模型能不能调用工具？”

而应该继续问：

1
2
3
4
5
6
7
8
9


谁决定调用？
↓
谁允许执行？
↓
执行前能不能暂停？
↓
暂停后能不能恢复？
↓
执行后怎么证明真的发生了？

十五、W6-D6 的几个核心结论

1. checkpoint ≠ long-term memory

checkpoint：

1

保存一次执行过程

long-term memory：

1

保存脱离某次会话的长期信息

2. thread_id 是会话隔离的重要标识

1
2
3
4
5
6
7


thread A
 ↓
A 的 checkpoint

thread B
 ↓
B 的 checkpoint

换 thread 才能真正测试：

1

“这个信息是不是来自长期记忆”

3. HITL 本质上是在控制执行路径

不是：

1

工具 + 一个确认弹窗

而是：

1
2
3
4
5
6
7


模型提出动作
 ↓
路由判断
 ↓
危险操作进入审批
 ↓
批准才能继续

4. tool call 是消息协议的一部分

模型产生：

1

tool_calls

以后，历史消息必须满足对应的回填关系。

所以拒绝时不能随便伪造一条 AIMessage 结束。

5. 验证不能只看日志

更强的验证方式：

1

查看真实外部状态

例如：

1

assert ...

直接检查长期记忆库。

总结：从“Agent 能运行”到“Agent 可以被控制”

W6-D6 表面上是在组合：

1
2
3
4
5


Checkpoint
+
HITL
+
Long-term Memory

但我觉得真正重要的是：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


Agent 能运行
 ↓
Agent 能保存状态
 ↓
Agent 能跨进程恢复
 ↓
Agent 能调用工具
 ↓
Agent 可以被人工控制
 ↓
Agent 的副作用能够被验证

所以今天真正学到的不是：

“怎么让 Agent 记住东西。”

而是：

当 Agent 开始拥有改变外部世界的能力以后，状态管理、权限控制和可验证性必须一起考虑。

最终可以把今天的 Agent 理解成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


用户
 ↓
模型决策
 ↓
判断动作
 ↓
权限控制
 ↓
人工审批（必要时）
 ↓
执行工具
 ↓
修改外部世界
 ↓
验证真实结果

这也是我目前对 W6-D6 最核心的理解：

Agent 一旦拥有改变世界的能力，就必须同时拥有状态管理、权限控制和可验证性。

附：W6-D6 完整实验代码

下面保留本节三阶段完整代码。

这里不是为了让文章变成长篇代码教程，而是为了方便以后复习时，直接从代码入口开始画执行流程，再回到前面的概念解释。

阶段 A：SqliteSaver 跨进程持久化

运行方式：

1
2
3


python w6d6_a_persist.py write
python w6d6_a_persist.py read
python w6d6_a_persist.py other

完整代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168


"""W6-D6 阶段A: 把图接上 SqliteSaver —— 跨【进程】持久化
用法(三次运行, 三个独立进程):
 python w6d6_a_persist.py write # ① 让 agent 记住邮箱
 python w6d6_a_persist.py read # ② 新进程问邮箱 ← 同 thread
 python w6d6_a_persist.py other # ③ 反例: 换个 thread 问 ← 应该不知道
"""

import os
import sys
import sqlite3
from typing import Annotated, TypedDict

from dotenv import load_dotenv
load_dotenv(override=True)

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.sqlite import SqliteSaver
from langchain_openai import ChatOpenAI


DB = "memory_agent.db"


# ══════ 1. State ══════
class S(TypedDict):
 messages: Annotated[list, add_messages]


# ══════ 2. 节点 ══════
# 这里只做最小占位图，只为了验证持久化机制。

_llm = ChatOpenAI(
 model="deepseek-v4-flash",
 api_key=os.getenv("DEEPSEEK_API_KEY"),
 base_url="https://api.deepseek.com",
 temperature=0,
)


def agent_node(state: S) -> dict:
 return {
 "messages": [
 _llm.invoke(state["messages"])
 ]
 }


# ══════ 3. 构图 ══════

def build_graph(saver):
 b = StateGraph(S)

 b.add_node("agent", agent_node)

 b.add_edge(START, "agent")
 b.add_edge("agent", END)

 return b.compile(
 checkpointer=saver
 )


# ══════ 4. 主流程 ══════

def main(mode: str):

 # ① 打开 SQLite
 conn = sqlite3.connect(
 DB,
 check_same_thread=False
 )

 saver = SqliteSaver(conn)

 if hasattr(saver, "setup"):
 saver.setup()

 graph = build_graph(saver)

 # ② thread_id 决定会话槽位
 THREAD = (
 "alice-1.2"
 if mode != "other"
 else "bob-1.2"
 )

 cfg = {
 "configurable": {
 "thread_id": THREAD
 }
 }

 # ③ 三种输入
 if mode == "write":

 question = (
 "记住：我叫 Alice，"
 "邮箱是 alice@x.com。"
 "只回复'已记住'。"
 )

 elif mode == "read":

 question = "我的邮箱是什么？"

 else:

 question = "我的邮箱是什么？"

 # ④ invoke 时必须传 config
 out = graph.invoke(
 {
 "messages": [
 ("user", question)
 ]
 },
 cfg
 )

 print(
 f"\n[{mode}] "
 f"thread_id = {THREAD}"
 )

 print(
 "回复:",
 out["messages"][-1].content
 )

 # ⑤ 使用客观量检查状态
 st = graph.get_state(cfg)

 n = len(
 st.values["messages"]
 )

 for i in st.values["messages"]:
 try:
 print(
 "第条消息是:",
 i.content,
 sep="\n"
 )
 except Exception as e:
 print(
 "出错啦",
 e
 )

 print(
 f"[算的] state 里共 {n} 条消息 "
 f"next={st.next}"
 )

 conn.close()

 return n


if __name__ == "__main__":
 mode = (
 sys.argv[1]
 if len(sys.argv) > 1
 else "read"
 )

 main(mode)

阶段 B：危险工具审批 + 跨进程恢复

运行方式：

1
2
3
4
5
6


python w6d6_b_hitl.py ask
python w6d6_b_hitl.py status
python w6d6_b_hitl.py yes

python w6d6_b_hitl.py ask2
python w6d6_b_hitl.py no

完整代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418


"""W6-D6 阶段B: 危险操作审批 + 【跨进程】续批

用法(五条命令, 五个独立进程):
 python w6d6_b_hitl.py ask
 python w6d6_b_hitl.py status
 python w6d6_b_hitl.py yes
 python w6d6_b_hitl.py ask2
 python w6d6_b_hitl.py no
"""

import os
import sys
import sqlite3
from typing import Annotated, TypedDict

from dotenv import load_dotenv
load_dotenv(override=True)

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.prebuilt import ToolNode
from langgraph.types import interrupt, Command
from langchain_core.tools import tool
from langchain_core.messages import AIMessage
from langchain_openai import ChatOpenAI


DB = "memory_agent.db"


# ══════ 1. 危险工具 ══════

def delete_file(path: str) -> str:
 """
 危险操作。
 演示版不真正删除文件，只打印工具执行证据。
 """

 print(
 f">>> 工具真身执行: 删除 {path}"
 )

 return f"文件已删除: {path}"


class S(TypedDict):
 messages: Annotated[list, add_messages]


# ══════ 2. 两个 LLM ══════

_llm_kwargs = dict(
 model="deepseek-v4-flash",
 api_key=os.getenv("DEEPSEEK_API_KEY"),
 base_url="https://api.deepseek.com",
 temperature=0,
)

llm_decide = (
 ChatOpenAI(**_llm_kwargs)
 .bind_tools([delete_file])
)

llm_summarize = ChatOpenAI(
 **_llm_kwargs
)


# ══════ 3. 四个节点 ══════

def decide(state: S) -> dict:

 ai_msg = llm_decide.invoke(
 state["messages"]
 )

 print(
 f"[decide] "
 f"tool_calls={len(ai_msg.tool_calls)}"
 )

 return {
 "messages": [ai_msg]
 }


def approve(state: S) -> dict:

 last = state["messages"][-1]

 if not (
 isinstance(last, AIMessage)
 and last.tool_calls
 ):
 return {}

 tc = last.tool_calls[0]

 print(
 "[approve] "
 "从存档里读到的待审参数:",
 tc["args"]
 )

 answer = interrupt({
 "question": (
 f"模型想删除 "
 f"{tc['args']['path']}，批准吗？"
 ),
 "options": [
 "approve",
 "reject"
 ],
 })

 print(
 "[approve] 收到回答:",
 repr(answer)
 )

 if answer == "reject":

 return {
 "messages": [
 AIMessage(
 content=(
 "已取消删除，"
 "本次未执行任何操作。"
 )
 )
 ]
 }

 return {}


def summarize(state: S) -> dict:

 ai_msg = llm_summarize.invoke(
 state["messages"]
 )

 print(
 "[summarize] 收口完成"
 )

 return {
 "messages": [ai_msg]
 }


# ══════ 4. 路由 ══════

def route_after_decide(state: S):

 last = state["messages"][-1]

 if (
 isinstance(last, AIMessage)
 and last.tool_calls
 ):
 return "approve"

 return END


def route_after_approve(state: S):

 last = state["messages"][-1]

 if (
 isinstance(last, AIMessage)
 and last.tool_calls
 ):
 return "tools"

 return END


# ══════ 5. 构图 ══════

def build_graph(saver):

 b = StateGraph(S)

 b.add_node(
 "decide",
 decide
 )

 b.add_node(
 "approve",
 approve
 )

 b.add_node(
 "tools",
 ToolNode([delete_file])
 )

 b.add_node(
 "summarize",
 summarize
 )

 b.add_edge(
 START,
 "decide"
 )

 b.add_conditional_edges(
 "decide",
 route_after_decide,
 {
 "approve": "approve",
 END: END
 }
 )

 b.add_conditional_edges(
 "approve",
 route_after_approve,
 {
 "tools": "tools",
 END: END
 }
 )

 b.add_edge(
 "tools",
 "summarize"
 )

 b.add_edge(
 "summarize",
 END
 )

 return b.compile(
 checkpointer=saver
 )


# ══════ 6. thread 对应关系 ══════

THREAD_OF = {

 "ask":
 "hitl-alice",

 "status":
 "hitl-alice",

 "yes":
 "hitl-alice",

 "ask2":
 "hitl-bob",

 "no":
 "hitl-bob",
}


ASK_TEXT = (
 "请删除 /tmp/report.txt"
)


# ══════ 7. 查看 checkpoint ══════

def peek(graph, cfg, tag):

 st = graph.get_state(cfg)

 msgs = (
 st.values.get(
 "messages",
 []
 )
 or []
 )

 print(
 f"\n[{tag}] "
 f"next={st.next} "
 f"消息数={len(msgs)}"
 )

 for i, m in enumerate(msgs):

 head = (
 str(m.content)
 .replace("\n", "")
 [:40]
 )

 tc = getattr(
 m,
 "tool_calls",
 None
 )

 print(
 f" [{i}] "
 f"{type(m).__name__:12s} "
 f"{head!r}"
 )

 return st


# ══════ 8. 主流程 ══════

def main(mode: str):

 conn = sqlite3.connect(
 DB,
 check_same_thread=False
 )

 saver = SqliteSaver(conn)

 if hasattr(saver, "setup"):
 saver.setup()

 graph = build_graph(saver)

 THREAD = THREAD_OF[mode]

 cfg = {
 "configurable": {
 "thread_id": THREAD
 }
 }

 print(
 f"[{mode}] "
 f"thread_id = {THREAD} "
 f"(PID={os.getpid()})"
 )

 if mode in ("ask", "ask2"):

 graph.invoke(
 {
 "messages": [
 ("user", ASK_TEXT)
 ]
 },
 cfg
 )

 print(
 "→ 图已停在审批点，"
 "本进程即将退出"
 )

 elif mode == "status":

 print(
 "→ 纯读模式："
 "只从 sqlite 读取暂停现场"
 )

 elif mode == "yes":

 out = graph.invoke(
 Command(
 resume="approve"
 ),
 cfg
 )

 print(
 "→ 最终回复:",
 out["messages"][-1].content
 )

 elif mode == "no":

 out = graph.invoke(
 Command(
 resume="reject"
 ),
 cfg
 )

 print(
 "→ 最终回复:",
 out["messages"][-1].content
 )

 else:

 print(
 f"未知模式: {mode}"
 )

 sys.exit(1)

 peek(
 graph,
 cfg,
 mode
 )

 conn.close()


if __name__ == "__main__":

 main(
 sys.argv[1]
 if len(sys.argv) > 1
 else "status"
 )

阶段 C：长期记忆 + HITL + 跨会话验证

运行方式：

1
2
3
4
5
6
7
8
9


python w6d6_c_e2e.py remember
python w6d6_c_e2e.py yes
python w6d6_c_e2e.py recall

python w6d6_c_e2e.py bob
python w6d6_c_e2e.py no

python w6d6_c_e2e.py carol
python w6d6_c_e2e.py verify

完整代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673


"""W6-D6 阶段C: 跨会话记忆 + 审批 端到端

七个独立进程:
 remember
 yes
 recall
 bob
 no
 carol
 verify
"""

import os
import sys
import json
import time
import sqlite3

from typing import (
 Annotated,
 TypedDict
)

from dotenv import load_dotenv
load_dotenv(override=True)

from langchain_core.messages import (
 AIMessage,
 SystemMessage,
 ToolMessage
)

from langgraph.graph import (
 StateGraph,
 START,
 END
)

from langgraph.graph.message import (
 add_messages
)

from langgraph.checkpoint.sqlite import (
 SqliteSaver
)

from langgraph.prebuilt import (
 ToolNode
)

from langgraph.types import (
 interrupt,
 Command
)

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI


DB = "memory_agent.db"

MEM = (
 "w6d6_long_term_mem.json"
)


# ══════ 1. 长期记忆库 ══════

def _load_mem() -> list:

 if not os.path.exists(MEM):
 return []

 with open(
 MEM,
 "r",
 encoding="utf-8"
 ) as f:

 return json.load(f)


def _save_mem(items: list) -> None:

 with open(
 MEM,
 "w",
 encoding="utf-8"
 ) as f:

 json.dump(
 items,
 f,
 ensure_ascii=False,
 indent=2
 )


# ══════ 2. 两个工具 ══════

@tool
def search_memory(query: str) -> str:

 """
 安全·只读。
 在长期记忆库里检索。
 """

 items = _load_mem()

 print(
 f">>> [安全工具] "
 f"检索 {query!r}"
 f"→ 库里共 {len(items)} 条"
 )

 if not items:
 return "长期记忆是空的"

 return (
 "长期记忆库内容:\n"
 + "\n".join(
 f"- {it['text']}"
 for it in items
 )
 )


@tool
def remember_fact(text: str) -> str:

 """
 危险·写入。
 写入长期记忆库。
 执行前需要人工审批。
 """

 items = _load_mem()

 items.append({
 "text": text,
 "ts": time.time()
 })

 _save_mem(items)

 print(
 ">>> [危险工具真身] "
 f"已写入长期记忆: {text}"
 )

 return f"已记住：{text}"


# ══════ 3. 危险工具名单 ══════

DANGEROUS = {
 "remember_fact"
}


class S(TypedDict):
 messages: Annotated[
 list,
 add_messages
 ]


# ══════ 4. 两个 LLM ══════

_llm_kwargs = dict(
 model="deepseek-v4-flash",
 api_key=os.getenv(
 "DEEPSEEK_API_KEY"
 ),
 base_url=(
 "https://api.deepseek.com"
 ),
 temperature=0,
)


llm_decide = (
 ChatOpenAI(**_llm_kwargs)
 .bind_tools(
 [
 search_memory,
 remember_fact
 ],
 parallel_tool_calls=False
 )
)


llm_summarize = ChatOpenAI(
 **_llm_kwargs
)


SYS = (
 "你是一个带长期记忆的助手。规则:\n"
 "1. 用户说『记住：X』时，你必须"
 "立即调用 remember_fact 工具把 X 写进长期记忆库；\n"
 "2. 用户询问之前记录的信息时，"
 "如果上下文里没有答案，必须调用 search_memory；\n"
 "3. 工具完成后，用一句简短中文总结结果。"
)


# ══════ 5. 节点 ══════

def decide(state: S) -> dict:

 ai_msg = llm_decide.invoke(
 state["messages"]
 )

 names = [
 tc["name"]
 for tc in ai_msg.tool_calls
 ]

 print(
 "[decide] "
 f"tool_calls={len(ai_msg.tool_calls)} "
 f"{names}"
 )

 return {
 "messages": [ai_msg]
 }


def approve(state: S) -> dict:

 last = state["messages"][-1]

 if not (
 isinstance(last, AIMessage)
 and last.tool_calls
 ):
 return {}

 todo = [
 tc["name"]
 for tc in last.tool_calls
 ]

 print(
 "[approve] "
 f"待审批的工具调用：{todo}"
 )

 answer = interrupt({
 "question": (
 f"模型想执行 {todo}，批准吗？"
 ),
 "options": [
 "approve",
 "reject"
 ],
 })

 print(
 "[approve] 收到回答:",
 repr(answer)
 )

 if answer == "reject":

 return {
 "messages": [
 ToolMessage(
 content=(
 "用户拒绝执行本次调用，"
 "已取消"
 ),
 tool_call_id=tc["id"]
 )
 for tc in last.tool_calls
 ]
 }

 return {}


def summarize(state: S) -> dict:

 ai_msg = llm_summarize.invoke(
 state["messages"]
 )

 print(
 "[summarize] 收口完成"
 )

 return {
 "messages": [ai_msg]
 }


# ══════ 6. 路由 ══════

def route_after_decide(state: S):

 last = state["messages"][-1]

 if not (
 isinstance(last, AIMessage)
 and last.tool_calls
 ):
 return END

 if any(
 tc["name"] in DANGEROUS
 for tc in last.tool_calls
 ):
 return "approve"

 return "tools"


def route_after_approve(state: S):

 last = state["messages"][-1]

 if (
 isinstance(last, AIMessage)
 and last.tool_calls
 ):
 return "tools"

 return END


# ══════ 7. 构图 ══════

def build_graph(saver):

 b = StateGraph(S)

 b.add_node(
 "decide",
 decide
 )

 b.add_node(
 "approve",
 approve
 )

 b.add_node(
 "tools",
 ToolNode(
 [
 search_memory,
 remember_fact
 ]
 )
 )

 b.add_node(
 "summarize",
 summarize
 )

 b.add_edge(
 START,
 "decide"
 )

 b.add_conditional_edges(
 "decide",
 route_after_decide,
 {
 "approve": "approve",
 "tools": "tools",
 END: END
 }
 )

 b.add_conditional_edges(
 "approve",
 route_after_approve,
 {
 "tools": "tools",
 END: END
 }
 )

 b.add_edge(
 "tools",
 "summarize"
 )

 b.add_edge(
 "summarize",
 END
 )

 return b.compile(
 checkpointer=saver
 )


# ══════ 8. thread 对应关系 ══════

THREAD_OF = {

 "remember":
 "alice-1",

 "yes":
 "alice-1",

 "status":
 "alice-1",

 "recall":
 "alice-1",

 "bob":
 "bob-1",

 "no":
 "bob-1",

 "carol":
 "carol-1",
}


# ══════ 9. 查看 checkpoint ══════

def peek(graph, cfg, tag):

 st = graph.get_state(cfg)

 msgs = (
 st.values.get(
 "messages",
 []
 )
 or []
 )

 print(
 f"\n[{tag}] "
 f"next={st.next} "
 f"消息数={len(msgs)}"
 )

 for i, m in enumerate(msgs):

 head = (
 str(m.content)
 .replace("\n", " ")
 [:44]
 )

 tc = getattr(
 m,
 "tool_calls",
 None
 )

 print(
 f" [{i}] "
 f"{type(m).__name__:14s} "
 f"{head!r}"
 + (
 f" tool_calls={tc}"
 if tc
 else ""
 )
 )

 return st


# ══════ 10. 最终验证 ══════

def verify():

 items = _load_mem()

 print(
 "长期记忆库当前内容："
 )

 for it in items:
 print(
 " -",
 it["text"]
 )

 if not items:
 print(" (空)")

 texts = [
 it["text"]
 for it in items
 ]

 assert any(
 "alice@x.com" in t
 for t in texts
 ), (
 "❌ alice 的邮箱不在库里"
 )

 assert not any(
 "X99" in t
 for t in texts
 ), (
 "❌ bob 的工号在库里"
 )

 print(
 "\n✅ 断言通过："
 "批准的那条在库里，"
 "拒绝的那条不在库里"
 )


# ══════ 11. 测试输入 ══════

FIRST_ASK = {

 "remember":
 "记住：我是 Alice，邮箱 alice@x.com",

 "bob":
 "记住：我的工号是 X99",

 "carol":
 "我不记得之前存过什么了，"
 "帮我查一下长期记忆库里有没有关于邮箱的记录",
}


# ══════ 12. 主流程 ══════

def main(mode: str):

 if mode == "verify":
 return verify()

 conn = sqlite3.connect(
 DB,
 check_same_thread=False
 )

 saver = SqliteSaver(conn)

 if hasattr(saver, "setup"):
 saver.setup()

 graph = build_graph(saver)

 THREAD = THREAD_OF[mode]

 cfg = {
 "configurable": {
 "thread_id": THREAD
 }
 }

 print(
 f"[{mode}] "
 f"thread_id = {THREAD} "
 f"(PID={os.getpid()})"
 )

 if mode in FIRST_ASK:

 graph.invoke(
 {
 "messages": [
 SystemMessage(
 content=SYS
 ),
 (
 "user",
 FIRST_ASK[mode]
 )
 ]
 },
 cfg
 )

 print(
 f"→ [{mode}] 本轮结束"
 )

 elif mode == "status":

 print(
 "→ 纯读模式："
 "只从 sqlite 读取暂停现场"
 )

 elif mode == "yes":

 out = graph.invoke(
 Command(
 resume="approve"
 ),
 cfg
 )

 print(
 "→ 最终回复:",
 out["messages"][-1].content
 )

 elif mode == "no":

 out = graph.invoke(
 Command(
 resume="reject"
 ),
 cfg
 )

 print(
 "→ 最终回复:",
 out["messages"][-1].content
 )

 elif mode == "recall":

 out = graph.invoke(
 {
 "messages": [
 (
 "user",
 "我的邮箱是什么？"
 )
 ]
 },
 cfg
 )

 print(
 "→ 最终回复:",
 out["messages"][-1].content
 )

 else:

 print(
 f"未知模式: {mode}"
 )

 sys.exit(1)

 peek(
 graph,
 cfg,
 mode
 )

 conn.close()


if __name__ == "__main__":

 main(
 sys.argv[1]
 if len(sys.argv) > 1
 else "status"
 )

最后留给自己的复习入口

以后重新看 W6-D6，我不准备从 API 名字开始背，而是先问自己：

1
2
3
4
5
6
7
8


1. Checkpoint 保存的到底是什么？
2. thread_id 为什么必须一致？
3. 为什么换 thread 才能证明长期记忆？
4. interrupt 到底停在哪里？
5. resume 之后是怎么继续的？
6. 为什么危险工具需要审批？
7. 为什么拒绝 tool_call 时需要 ToolMessage？
8. 为什么最后要直接检查长期记忆文件？

如果这几个问题能够重新顺着代码画出：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


START
 ↓
decide
 ↓
route
 ↓
approve
 ↓
interrupt
 ↓
resume
 ↓
tools
 ↓
summarize
 ↓
END

那么这一节才算真正重新掌握。

W6-D6 的核心不是“让 Agent 记住”，而是理解：Agent 一旦拥有改变世界的能力，就必须同时拥有状态管理、权限控制和可验证性。

从有状态 Agent 到生产级工作流

Sun, 13 Sep 2026 13:47:06 +0800

LangGraph W6 周总结：从有状态 Agent 到生产级工作流

这一周主要学习 LangGraph 的状态管理、人工介入、流程恢复以及任务拆分能力。

如果说 W5 学习的是：

如何让 Agent 按照图结构运行

那么 W6 学习的是：

如何让 Agent 像一个真正的产品一样长期运行，并且在关键节点接受控制。

这一周几个核心关键词：

Checkpoint：保存 Agent 每一步状态
Persistence：让状态跨进程保存
HITL（Human In The Loop）：让人参与 Agent 决策
Time Travel：基于历史状态恢复执行
Subgraph：拆分复杂 Agent
Send：动态并行任务分发

一、W5 无状态 Agent vs W6 有状态 Agent

之前的 Agent：

1
2
3
4
5


用户输入
 ↓
Agent运行
 ↓
返回结果

一次运行结束，状态消失。

但是实际产品需要：

例如：

用户：

帮我记录一下，我喜欢喝咖啡。

下一次：

我喜欢喝什么？

Agent 需要知道之前的信息。

所以需要：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14


第一次运行

State
 ↓
Checkpoint保存


第二次运行

读取Checkpoint
 ↓
恢复State
 ↓
继续执行

LangGraph 通过 checkpoint 机制实现状态保存。

二、Checkpoint：Agent 的历史快照

Checkpoint 可以理解为：

每执行完一个节点，对当前 State 保存一次快照。

例如：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32


START

 ↓

agent节点

State:
{
 messages:[
 "用户问题"
 ]
}


保存 checkpoint


 ↓


tool节点

State:
{
 messages:[
 "用户问题",
 "tool结果"
 ]
}


再次保存 checkpoint

所以 checkpoint 不只是保存最终结果，而是保存：

当前 state
当前执行位置
thread 信息

这也是后面：

resume
update_state
time travel

的基础。

三、MemorySaver 和 SqliteSaver

MemorySaver

之前学习：

1
2
3
4
5


memory = MemorySaver()

graph = builder.compile(
 checkpointer=memory
)

特点：

保存到内存
程序关闭后消失

适合：

学习
测试

SqliteSaver

生产环境需要落盘。

例如：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


from langgraph.checkpoint.sqlite import SqliteSaver


checkpointer = SqliteSaver.from_conn_string(
 "agent.db"
)


graph = builder.compile(
 checkpointer=checkpointer
)

区别：

	MemorySaver	SqliteSaver
存储位置	内存	数据库
重启恢复	❌	✅
适合	测试	生产

四、thread_id：实现多用户隔离

LangGraph 使用 config 区分不同会话。

例如：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


config = {
 "configurable":{
 "thread_id":"user_001"
 }
}


graph.invoke(
 input,
 config=config
)

不同 thread：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


user_001

checkpoint A
checkpoint B


user_002

checkpoint C
checkpoint D

它们互相不会影响。

所以：

thread_id 本质是一个会话隔离标识。

五、HITL：让 Agent 停下来等待人确认

Agent 最大的问题：

能力越强，风险越高。

例如：

普通回答：

1
2
3


用户问题
 ↓
LLM回答

风险低。

但是：

1
2
3
4
5
6
7
8
9


用户请求删除文件

 ↓

Agent调用工具

 ↓

删除执行

如果 Agent 判断错误，会造成真实损失。

所以需要：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


Agent决定

 ↓

暂停

 ↓

人确认

 ↓

继续执行

这就是 HITL。

六、interrupt() 和 interrupt_before 的区别

这是本周重点验收。

interrupt_before

在 compile 时指定：

1
2
3


graph = builder.compile(
 interrupt_before=["tools"]
)

作用：

在进入某个节点之前暂停。

流程：

1
2
3
4
5
6
7
8
9


agent

 ↓

暂停

 ↓

tools

它控制的是：

节点之间。

interrupt()

写在节点内部：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


from langgraph.types import interrupt


def approval_node(state):

 answer = interrupt(
 "是否允许执行?"
 )

 return {
 "result":answer
 }

流程：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


进入节点

 ↓

执行到 interrupt()

 ↓

暂停

 ↓

等待恢复

它控制的是：

节点内部。

核心区别：

	interrupt_before	interrupt()
位置	节点外部	节点内部
控制粒度	节点级	代码级
适合	固定审批点	动态判断

七、Command(resume)：恢复暂停的 Agent

暂停后：

需要通过：

1
2
3


Command(
 resume=True
)

恢复。

例如：

1
2
3
4
5
6


graph.invoke(
 Command(
 resume=True
 ),
 config=config
)

含义：

告诉 LangGraph：

人已经做出决定，继续执行。

八、审批三态设计

实际生产不是简单 yes/no。

通常有三种：

1. 放行

1

resume=True

继续执行。

2. 拒绝

1

resume=False

Agent 根据拒绝原因重新规划。

例如：

删除文件：

1
2
3
4
5


用户拒绝

↓

换成备份文件

3. 修改参数

人工直接修改 state：

1
2
3
4
5
6


graph.update_state(
 config,
 {
 "path":"new_file.txt"
 }
)

然后继续执行。

这比简单批准更加接近真实系统。

九、Time Travel：回到过去重新执行

因为 LangGraph 保存 checkpoint。

所以可以：

查看历史：

1
2
3


history = graph.get_state_history(
 config
)

找到旧 checkpoint：

1
2
3
4
5


checkpoint_1

checkpoint_2

checkpoint_3

然后：

从旧状态重新运行。

应用场景：

例如：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


Agent:

发送邮件

↓

发现参数错误


回到发送前

↓

修改参数

↓

重新执行

这就是 Agent 的调试能力。

十、Subgraph：拆分复杂 Agent

复杂 Agent 不应该全部写在一个图。

例如：

1
2
3
4
5
6
7


主Agent

├── 搜索Agent
│
├── 分析Agent
│
└── 写作Agent

LangGraph 可以：

先编译子图：

1

subgraph = child_builder.compile()

然后：

作为节点加入：

1
2
3
4


builder.add_node(
 "research",
 subgraph
)

最终形成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


parent

 ↓

research

 ↓

 research.search

 research.analyze

子图解决：

大 Agent 拆分和复用问题。

十一、Send：动态任务并行

普通 edge：

但是很多任务天然适合并行。

例如：

搜索多个关键词：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


关键词:

python
langgraph
agent


同时搜索

 ↓


汇总结果

使用 Send：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14


from langgraph.types import Send


def dispatch(state):

 return [
 Send(
 "worker",
 {
 "keyword":k
 }
 )
 for k in state["keywords"]
 ]

产生：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


dispatch

 ├── worker(python)

 ├── worker(langgraph)

 └── worker(agent)


 ↓


 join

这就是：

Map-Reduce 模式。

十二、本周完成能力总结

知识层

✅ 理解 checkpoint：

每个节点执行后的 state 快照。

✅ 理解 MemorySaver 和 SqliteSaver：

内存保存 vs 数据库存储。

✅ 理解 thread_id：

不同会话通过 thread_id 隔离。

✅ 理解 HITL：

Agent 在关键节点暂停，让人参与决策。

✅ 理解：

1
2
3
4
5


interrupt()

vs

interrupt_before

区别：

节点内部暂停 vs 节点边界暂停。

✅ 理解 Send：

动态产生多个并行任务。

十三、W6 最大收获

之前：

1

Agent = 调用LLM完成任务

现在：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19


生产级Agent=

状态保存

+

人工控制

+

错误恢复

+

任务拆分

+

并行执行

真正可用的 Agent，不只是会回答问题。

而是：

在复杂环境中，可以暂停、恢复、修改、追踪，并且安全执行任务。

这也是 LangGraph 和普通 Chain 最大的区别。

W6 完成后，Agent 开发进入了一个新的阶段：

从「能运行」

进入：

「可控制、可恢复、可维护」。