HITL 人工介入与决策发布(6.9–6.10)
本篇是什么
第 6 章(试卷批改)的 Human-in-the-Loop(HITL)+ 决策发布串讲:AI 预批改完成后,如何把人(教师)拉进流程干预,再把最终成绩写库发布。机在动、人把关——对应 LangGraph 的
interrupt()/Command(resume)/MemorySaver三件套。属于:EduAgent 多 Agent 系列回顾 之第 6 章拆解。父级总览见 多Agent协作方式全景与A2A-综合笔记。
- 配套图①(时序图):
![[06章-HITL时序图.html]] - 配套图②(决策发布连续流):
![[06章-HITL与决策发布.html]]
1. 一句话主线
AI 自动批改(节点 ①–⑤)跑完 → ⑦ teacher_review_node 调 interrupt() 把图冻结,State 存进 MemorySaver → 教师用 API 读 AI 预批改 → 教师 approve / modify 决策 → Command(resume=decision) 恢复 → ⑧ 合并出 final_score → ⑨ publish_results 写库 → END。
本质:单个 Agent 自治不够,要在关键节点引入人工裁决(成绩这种影响学生的数据不能全交给 LLM)。
2. interrupt() 内部 5 步(LangGraph 机制)
| 步 | 发生什么 |
|---|---|
| ① | 节点里执行到 interrupt(value),LangGraph 抛内部 Interrupt 异常 |
| ② | graph.ainvoke 捕获它,把完整 State 按 thread_id 存进 MemorySaver |
| ③ | ainvoke 真正返回(不是等待——接口不被拖住) |
| ④ | 图进入暂停态,State 记着 next=["teacher_review"] |
| ⑤ | 后续 graph.ainvoke(Command(resume=decision), config) 恢复 State,让 interrupt() 返回 decision,图从原处继续 |
⚠️ LangGraph 1.0 新写法:编译图时不传
interrupt_before,只在节点内调interrupt()。旧写法已被废弃。
3. 六个关键节点职责(编号与图一致)
| 节点 | 职责 |
|---|---|
| ①–⑤ | 自动批改(三轨并行:规则/LLM/代码)—— 见 asyncio 协程调度与 6.12 回调逻辑 |
⑥ notify_teacher_node | 只把 DB 状态更新为 pending_review(通知 → 人工介入) |
⑦ teacher_review_node | 专职 HITL 暂停:interrupt(display_data),把 AI 预批改成绩单抛给教师 |
⑧ apply_teacher_decision | 按 approve / modify 合并 final_score |
⑨ publish_results | 先删后插写 exam_reviews + 更新 exam_submissions.status='published' |
4. 教师侧两个 API(人与图怎么对话)
GET /submissions/{id}/review → 教师用 aget_state 读 AI 预批改快照
POST /confirm → 教师 approve / modify,传 Command(resume=decision) 回图- 教师读完快照,可原样确认(approve),也可改命中题目(modify)后回传。
MemorySaver按thread_id存中断点 State —— 这就是「图冻住后,谁都能随时回来续」的机制。
5. 三个分数(写得清楚)
| 分数 | 含义 | 何时有 |
|---|---|---|
ai_score | AI 打的分数 | 永久保存 |
teacher_score | 教师改的分数 | 仅 modify 有 |
final_score | 学员最终得分 | = approve 取 ai_score;modify 被改题取 teacher_score、未改取 ai_score |
写库要点:exam_reviews 先删后插(幂等),每道题一行;exam_submissions 更新 status='published' + weak_points。
章节回顾
- HITL = interrupt/resume:机在动、人把关;
interrupt(value)冻图 +Command(resume=decision)续跑,State 走 MemorySaver。 - 两图一义:时序图讲「机制」,决策发布连续流讲「业务全链路」,同一套 interrupt 机制支撑。
- 成绩发布的关键:AI 分数永久留档、教师修正可溯源、最终分幂等写库——把「人的决策」和「AI 的产出」都存下来。
- Command 一叉二用:
Command(resume=...)做人工恢复(本 6 章),Command(goto=...)做 Agent 间交接(8 章)——详见 多Agent编排-LangGraph原生Supervisor与Swarm实现。
相关笔记
- 多Agent协作方式全景与A2A-综合笔记 — 所属系列总览
- asyncio 协程调度与 6.12 回调逻辑 — 同章:批改的后台调度 + done 回调
- 多Agent编排-LangGraph原生Supervisor与Swarm实现 — Command/interrupt 的框架全貌
- 多Agent协作系统面试与架构解析 — 面试向的多 Agent 问法