4.2 人机协作 (Human-in-the-Loop)

4.2 人机协作 (Human-in-the-Loop)

本节约处在第四章第二站，也是本章的拐点。多智能体的卖点是"自动"，但生产里最值钱的往往是"在关键处让人拍板"。CrewAI 把人当成系统的一环，而不是系统的替代者——具体落点是让某些 Task 在交付前先征求人工确认。

先把"人在环的两种位置"画出来，

先把"人在环的两种位置"画出来，避免以为人机协作只是弹个框：

最基础的用法：在 Task 上设 human_input=True，运行到这一步会停下来要人输入。

from crewai import Agent, Task, Crew, Process

writer = Agent(role="撰稿", goal="写初稿", backstory="通顺", verbose=True)

draft_task = Task(
    description="写 {topic} 的新闻稿初稿",
    expected_output="初稿全文",
    agent=writer,
    human_input=True,   # 关键：交付前先让人看
)

crew = Crew(agents=[writer], tasks=[draft_task], process=Process.sequential)
# crew.kickoff(inputs={"topic": "新品发布"})
​

运行到 draft_task 时

运行到 draft_task 时，框架会打印草稿并等待你在终端确认或补充要求，确认后才算这步完成、进入后续。适合"发出去就难撤回"的环节：对外发文、对外邮件、付费操作前。

但要注意：human_input=True 是阻塞式交互，依赖运行环境有人盯着。这和服务化部署（无人值守）天然冲突。所以我们给的边界是：本地调试、半自动工作流可用；完全无人值守的生产链路，别用它，改走"异步审核"模式——先把产出落库标待审，再由独立的人工审核任务消费。

更工程的写法是用一个"审核 Task"代替阻塞的人机交互，把人和系统解耦：

from crewai import Agent, Task, Crew, Process

writer = Agent(role="撰稿", goal="写初稿", backstory="通顺", verbose=True)
reviewer = Agent(role="审核", goal="标记可否发布", backstory="保守", verbose=True)

draft = Task(description="写 {topic} 初稿", expected_output="初稿全文", agent=writer)
review = Task(
    description="判断初稿能否发布，不能则列修改点",
    expected_output="通过 或 修改清单",
    agent=reviewer,
    context=[draft],
)

crew = Crew(agents=[writer, reviewer], tasks=[draft, review], process=Process.sequential)
# 跑完把 review 的产出推给人工审核队列，人再决定发布
​

这样人在"队列侧"工作，系统不阻塞，既能享受人工把关，又不破坏自动化的吞吐。我们更推荐这种模式上生产。

还有一个场景：人提供的是"外部知识"而非"确认"。比如法律合规要点只有人知道，模型查不到。这时把人做成一种特殊 Tool（人工工具），让 Agent 在需要时调用、等人填：

from crewai.tools import tool

@tool("咨询合规专家")
def ask_compliance(question: str) -> str:
    """遇到不确定的合规问题调用，返回人工给出的意见。"""
    # 真实实现里这里会把问题推给人工队列并等待回填
    return input(f"【合规专家】{question}\n你的意见：")

compliance_agent = Agent(role="合规助理", goal="规避违规", backstory="谨慎",
                         tools=[ask_compliance], verbose=True)
​

用 Tool 封装人的好处是：调用点、参数、返回都结构化，能进日志、能重放，比 human_input=True 更适合审计。

收尾提醒：人机协作的核心不是"让

收尾提醒：人机协作的核心不是"让人替模型干"，而是"在不可逆或高风险的节点用人做闸门"。阻塞式 human_input 适合半自动，生产请用审核队列或人工 Tool 解耦。下一站讲动态任务生成——那是另一种"系统自己补步骤"的能力，与人在环互补：人在环是外部卡点，动态任务是内部弹性。

在关键环节把人请进来

Human-in-the-Loop 不是装饰，而是把不可信的自动化决策点交给人确认。CrewAI 通过 task 的 human_input 机制，在任务产出后暂停等待人工反馈再继续。

⚠️ 常见坑：把 human_input 开在每一个任务上，人会疲于点击，反而拖慢且流于形式。我们只在"错了代价高"的节点开，其余全自动。

from crewai import Agent, Task

reviewer = Agent(role="合规审核", goal="把关合规", backstory="谨慎", verbose=True)

t_review = Task(
    description="审核这篇对外发布稿",
    expected_output="通过或驳回及理由",
    agent=reviewer,
    human_input=True,   # 产出后暂停等人工确认
)
print(t_review.human_input)
​

💡 关键直觉：人机协作的本质是把"价值判断"和"信息搬运"分开——机器搬信息、人做判断。凡是涉及责任、合规、不可逆操作的节点，都值得留一个人工闸门。闸门不是越多越好，而是越准越好。

# 只有高风险任务才要人确认，低风险全自动
low = Task(description="整理摘要", expected_output="摘要", agent=reviewer)
high = Task(description="生成对外口径", expected_output="口径", agent=reviewer, human_input=True)
assert low.human_input is False and high.human_input is True
​