结论先说
- 新版官方首选方案是在节点函数内部调用
interrupt(待审数据),配合Command(resume=人工结果)恢复运行,比早期静态写死interrupt_before灵活得多。 - 暂停期间不占后台算力:一旦撞上
interrupt(),进程直接保存状态并正常返回响应;哪怕主管三天后才在网页点同意,只要带上原thread_id就能原地唤醒。 - 少了这两样必定报错:编译图时必须传
checkpointer(保存器),且每次调用必须传config={"configurable": {"thread_id": "..."}}。 - 最重要的一条底层铁律:恢复时被暂停的节点会从该函数的第一行重新执行(只是这次遇到
interrupt()不再停住,而是直接吐出人工传入的resume值)——所以发请求、扣款等副作用代码绝不能写在同一个节点里interrupt()的上方。

图:本站根据 LangGraph 官方文档 Human-in-the-loop 整理的示意图
本文根据 LangChain / LangGraph 官方文档《Human-in-the-loop》《Interrupts》整理,核对日期 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是 LangChain 官方网站。
适用于谁
- 搜「langgraph human in the loop」「langgraph interrupt 用法」「langgraph 人工审批」的开发者;
- 智能体已经能调写库、发邮件或退款工具了,但上线前安全团队要求「凡是写操作必须先暂停给主管点确认按钮,同意后才能真执行」的后端工程师;
- 照着文档写了
interrupt(),恢复时却发现节点上半截的逻辑又重复跑了一遍、正在查原因的人。
如果你是第一次接触状态图,建议先花五分钟读完 /guides/langgraph-quickstart-install-first-graph;为什么这类跨天审批场景适合用图编排,也可回顾 /guides/claude-agent-sdk-vs-langchain-how-to-choose。
一、完整可运行示例:高危操作执行前暂停等人工确认
下面的纯 Python 脚本模拟了一个「执行工单补偿发放」节点:当补偿积分超过免审线时,调用 interrupt() 把待审详情抛给外部调用方;等拿到人类返回的 "approve" 或修改后的数值后,再真正落库完成。
python
from typing import TypedDict
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import StateGraph, START, END
from langgraph.types import interrupt, Command
class TicketState(TypedDict):
user_id: str
points: int
status: str
def issue_compensation_node(state: TicketState):
pts = state["points"]
# 超过 500 积分时触发动态人工挂起,把待审摘要抛出去
if pts > 500:
decision = interrupt({
"question": "积分补偿超免审线,请确认是否批准或修改额度",
"user_id": state["user_id"],
"proposed_points": pts,
})
if not decision.get("approved"):
return {"status": "人工已驳回该笔发放"}
# 允许审批人顺手改小发放数值后再放行
pts = decision.get("final_points", pts)
# 注意:真正落库发积分的写操作必须放在 interrupt 之后
return {
"points": pts,
"status": f"已向用户 {state['user_id']} 成功发放 {pts} 积分",
}
builder = StateGraph(TicketState)
builder.add_node("issue_compensation", issue_compensation_node)
builder.add_edge(START, "issue_compensation")
builder.add_edge("issue_compensation", END)
# 必须挂载检查点保存器(生产环境换成 PostgresSaver)
graph = builder.compile(checkpointer=InMemorySaver())
if __name__ == "__main__":
cfg = {"configurable": {"thread_id": "ticket-9001"}}
# 第一次调用:跑到 interrupt 处自动停住并返回 __interrupt__ 提示
first_out = graph.invoke(
{"user_id": "U_88", "points": 1200, "status": "pending"},
config=cfg,
)
print("首次返回(已挂起):", first_out["__interrupt__"])
# 模拟后台主管审批同意并将额度调整为 800 后恢复同一个 thread_id
final_out = graph.invoke(
Command(resume={"approved": True, "final_points": 800}),
config=cfg,
)
print("恢复后最终结果:", final_out["status"])
运行这段代码,你会看到第一次 invoke 并没有执行下方的发放逻辑,而是返回了一个包含 __interrupt__ 列表的字典——你的前端页面只需读取里面的 question 和 proposed_points 渲染成审批弹窗;等主管点击按钮后,后端接口调用第二次 graph.invoke(Command(resume=...), config=cfg) 即可跑完剩余流程。

图:本站根据 LangGraph 官方文档 Interrupts 规范 整理的示意图
二、生产环境写 interrupt 必守的三条工程纪律
- 把耗时大模型调用拆到前一个独立节点:因为恢复时当前节点会从头重跑一遍,如果你把「调大模型想方案」和「
interrupt()等人工点同意」塞在同一个函数里,点同意恢复时那次大模型调用又会被白跑一次浪费额度。正确拆法是:节点 A 调大模型生成待审参数写入State→ 节点 B 专职调interrupt()拿审批结果并执行工具; - 生产库务必替换掉
InMemorySaver:人工审批往往间隔几十分钟甚至跨天,内存保存器遇到服务发版重启就会丢掉挂起线程,上线前请换成 PostgreSQL 等持久化保存器; - 配合远程 MCP 高危写工具一起用:当你通过适配器挂载了外部业务系统的增删改 MCP 工具(见 /guides/langgraph-mcp-integration-guide)时,不要把删除或群发工具裸露在全自动
ToolNode里,给高危工具外包一层带interrupt()的人工确认壳最稳妥。开发期想直观模拟断点恢复,也可以直接在本地 Studio 画布里点按钮测试(见 /guides/langgraph-debug-visualize-studio-guide)。
平时研发团队借助 Claude 或 ChatGPT 梳理复杂审批状态转移边界与编写异步回调接口时,个人官方订阅说明也可参考 /chongzhi/claude-pro。
常见问题
Q:如果用户挂起后一直不点审批,怎么查询这个 thread_id 当前是不是正卡在等待人工状态?
随时调用 state_snapshot = graph.get_state(cfg) 检查返回的快照对象:如果里面的 tasks 包含未处理的 interrupts(或 next 非空),就说明该会话当前正停在人工断点处,前端刷新页面时靠这个接口就能重新渲染出刚才的待办卡片。
Q:旧项目里用的 compile(interrupt_before=["tools"]) 还能继续用吗?
依然兼容保留。如果你的需求非常简单——只要每次进工具节点前无脑一刀切停住,静态 interrupt_before 写起来很省事;但只要你需要「小额免审、大额才停」这类按业务字段动态判断是否挂起的逻辑,函数内的 interrupt() 清晰得多。
相关教程
- /guides/langgraph-quickstart-install-first-graph:LangGraph Python 安装与第一个状态图
- /guides/langgraph-debug-visualize-studio-guide:在 LangGraph Studio 画布里可视化测试断点
- /guides/langgraph-mcp-integration-guide:LangGraph 接入 MCP 工具与写操作防护
- /guides/claude-agent-sdk-vs-langchain-how-to-choose:为什么强审批工作流适合选 LangGraph
参考资料
- LangChain / LangGraph 官方文档:Human-in-the-loop & Interrupts — https://docs.langchain.com/
langchain-ai/langgraph官方 GitHub 仓库 — https://github.com/langchain-ai/langgraph
0 条评论
还没有评论,来抢沙发~