Amin'izao fotoana izao, ny modely fiteny lehibe (LLMs) dia tsy mamokatra lahatsoratra fotsiny - mihazakazaka asa, miditra amin'ny API, manova angon-drakitra, ary na dia mifehy ny rafitra. Ny mpiasan'ny AI dia mandray hetsika izay efa voafetra ho an'ny mpampiasa olombelona, na ny fandaharam-potoana fivoriana, ny fametrahana tolotra, na ny fidirana amin'ny antontan-taratasy miavaka. Ny Ny fehezan-dalàna iray, ny fangatahana tsy fantatra, na ny fahazoan-dalana be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be dia be. When agents operate without guardrails they can inadvertently make harmful or unauthorized decisions Izany no mahatonga ny integration Ny asa dia manan-danja amin'ny fiarovana ny mpiara-miasa sy ny fandraisana andraikitra. human-in-the-loop (HITL) dia rafitra natao hanomezana fahafahana ny mpiara-miasa amin'ny AI amin'ny fahafahana Ny fihetseham-pon'ny olona, na dia mamela . Ny fangatahana fidirana amin'ny MCP request humans to remain the final decision-makers Ny fangatahana fidirana amin'ny MCP Noforonina ny ary mifandray amin'ny sehatra malaza toy ny Ary Ity rafitra ity dia mamela anao hametraka dingana fankatoavana mivantana ao amin'ny fampiharana miasa amin'ny LLM. Ny fahafahana LangChain LangGraph Ao amin'ity tutorial ity dia hianatra: Nahoana ny fampindramam-bola ho an'ny olombelona dia zava-dehibe ho an'ny AI azo itokisana, Ahoana no ahafahan'ny Model Context Protocol (MCP) ao amin'ny Permit.io mamela ny fizotry ny fangatahana fidirana, Ahoana no ahafahan'ny olona mamorona rafitra ara-toekarena izay mampifandray ny fahalalana momba ny LLM amin'ny fanaraha-maso amin'ny olona - mampiasa ny endri-javatra interrupt() ao amin'ny LangGraph. Alohan'ny hidirana amin'ny fampiharana demo sy ny dingana fampiharana, aoka isika hanontany vitsivitsy ny zava-dehibe ny fametrahana ny fahazoan-dalana AI ho an'ny olombelona. Nahoana ny famindrana ny fahazoan-dalana amin'ny AI amin'ny olombelona dia manan-danja Ireo mpiara-miasa amin'ny AI dia mahery vaika, saingy, araka ny fantatsika rehetra, izy ireo dia tsy tsy misy fahadisoana. Manaraka ny torolàlana izy ireo, saingy tsy mahatakatra ny toe-javatra tahaka ny olombelona izy ireo.Miteraka valiny izy ireo, saingy tsy afaka mitsara ny fiantraikany izy ireo.Ary rehefa tafiditra ao amin'ny rafitra tena izy ireo – fitaovana banky, tabilao anatiny, fanaraha-maso ny sehatra – dia misy fahasamihafana mampidi-doza izany. Ao anatin'izany, ny zavatra rehetra mety ho diso dia mazava tsara: Over-permissive mpamatsy: LLMs dia mety ho omena ny fidirana amin'ny fitaovana tsy tokony hisakana, na amin'ny famolavolana na amin'ny tranga. Hallucinated fitaovana antso: Ny mpiara-miasa dia afaka mamorona baiko, arguments, na ID izay tsy mbola nisy. Ny tsy fahampian'ny fanaraha-maso: Raha tsy misy ny fanaraha-maso amin'ny olombelona, dia tsy misy rakitra mazava hoe iza no nankatoavin'ny zavatra, na ny antony. Delegation is the solution. Ankoatra ny hanomezana hery tsy voafehin'ny mpiara-miasa, dia manome azy ireo protocol: Azonao atao ny manontany, fa ny olombelona dia manapa-kevitra. Amin'ny fampidirana Amin'ny fanapahan-kevitra momba ny fanapahan-kevitra fototra, dia mahazo: human-in-the-loop (HITL) Ny fiarovana dia manakana ny hetsika tsy hamerenana alohan'ny hitranga. Fandraisana andraikitra: Mitaky fisoratana anarana mazava ho an'ny olona ho an'ny asa ambony. Fanaraha-maso: Aoka ny olona hametraka fitsipika - iza no afaka manaiky, inona no azo manaiky, ary rehefa. Ny fahasamihafana eo amin'ny mpiara-miasa Ny zavatra iray sy ny mpiasan'ny Ny manao zavatra. Ny manao Ny fangatahana Ary ny marina dia izay Ny fangatahana fidirana amin'ny MCP dia mamela. Ny fahafahana Ny fangatahana fidirana amin'ny MCP Izany dia ampahany fototra amin'ny Model Context Protocol (MCP) - famaritana izay manome ny mpiasan'ny AI ny fidirana azo antoka, politika-fantatra amin'ny fitaovana sy ny loharano. The Access Request MCP Ny fahafahana Ataovy toy ny vavahady eo amin'ny Ary . LLMs that want to act humans who need control Inona no ataony Ny Permit's Access Request MCP dia ahafahan'ny mpiasan'ny AI: Maniry ny fidirana amin'ny loharano voafetra (ohatra, "Ahoana no ahafahako miditra amin'ity trano ity?") Mangataka fahazoan-dalana hanatanterahana asa miavaka (ohatra, "Ahoana aho no mandidy ity sakafo voafetra ity?") Miandry ny fidirana amin'ny olona alohan'ny hanohy — amin'ny alàlan'ny fametrahana ny LangGraph interrupt() Log ny fangatahana sy ny fanapahan-kevitra ho an'ny fanaraha-maso sy ny fanarahana Ao ambadiky ny sehatra, dia mampiasa ‘s fahazoan-dalana fahaiza-manao natao mba hanampiana: Ny fahafahana ReBAC (Relationship-Based Access Control) sy ny politika hafa momba ny Fine-grained Authorization (FGA). Fanamafisana ny workflows Ireo singa mifototra amin'ny politika izay miasa amin'ny UI, API, ary LLM kontekst Ny famerenana Ny fanomezan-dàlana ho an'ny fako madinika (FGA) Fanamafisana ny workflows Ny antsipiriany politika Plug-and-play amin'ny LangChain sy LangGraph Ny MCP dia tafiditra mivantana ao amin'ny Ary Ny tontolo iainana: LangChain MCP Adapter LangGraph Azonao atao ny mamela ny Elements ho toy ny fitaovana mifanaraka amin'ny LangGraph. Azonao atao ny manakana ny solosaina amin'ny interrupt() rehefa misy hetsika mahatsiravina. Afaka manohy ny famonoana mifototra amin'ny fanapahan-kevitra tena izy ireo. Izany no fomba tsotra indrindra mba Tsy ilaina ny custom backend. inject human judgment into AI behavior Rehefa mahatakatra ny fampiharana sy ny tombony, aoka isika hiditra ao amin'ny fampiharana demo. Inona no hanorina - Demo fampiharana fijerena Ao amin'ity tutorial ity dia hamoronana ny Ao amin'ny Ny azy ireo. real-time approval workflow AI agent can request access or perform sensitive actions, but only a human can approve Ny fametrahana ny rafitra fametrahana sakafo an-trano Mba hahafantarana ny fomba ahafahan'ny MCP ao amin'ny Permit manampy amin'ny fametrahana asa HITL ao amin'ny fampiharana mpampiasa, dia hamolavola Ho an'ny fianakaviana iray : food ordering system Ny ray aman-dreny dia afaka miditra sy mitantana ny trano fisakafoanana sy ny sakafo rehetra. Ny ankizy dia afaka mahita zavatra an-tserasera, saingy tsy maintsy mangataka fidirana amin'ny trano fisakafoanana na sakafo lafo. Rehefa manolotra fangatahana ny zaza, ny ray aman-dreny dia mahazo azy ho an'ny fanadihadiana ary tsy maintsy manaiky na mandà mazava alohan'ny hanohy ny hetsika. Ity tranga fampiasana ity dia maneho endrika mahazatra: Ny mpiasa dia afaka manampy, fa ny olombelona no manapa-kevitra. Teknika amin'ny Stack Hamorona ity mpampiasa HITL ity isika amin'ny fampiasana: Permit.io - Manara-maso ny fahazoan-dalana, ny asany, ny politika ary ny fankatoavana Ampahafahana MCP Server - Manehoana Ampahafahana workflows ho toy ny fitaovana izay afaka mampiasa ny mpiara-miasa LangChain MCP Adapters - Manamaivana ny fitaovana MCP amin'ny LangGraph & LangChain LangGraph - Manara-maso ny asa amin'ny mpampiasa amin'ny fanampiana interrupt() Gemini 2.0 Flash - Lightweight, multimodal LLM ampiasain'ny mpampiasa ho toy ny mpitsikilo Python - ny glue mitazona izany rehetra izany Ho tonga amin'ny rafitra miasa ianao izay afaka miara-miasa amin'ny olona mba hahazoana antoka ny fitondran-tena azo antoka sy ara-drariny - mampiasa politika tena izy, fitaovana tena izy ary fankatoavana amin'ny fotoana tena izy. A repository with the full code for this application is available here. Ny fitehirizana miaraka amin'ny code feno ho an'ity fampiharana ity dia azo jerena eto. Step-by-Step Tutorial Ao amin'ity fizarana ity dia hiresaka momba ny fomba hanatanterahana rafitra mpiara-miasa amin'ny olona feno asa amin'ny alalan'ny fampiasana Ary ny Langgraph. Ny fahafahana Izahay dia hanakana: Ny fahazoan-dalana miaraka amin'ny fahazoan-dalana Ny fametrahana ny fahazoan-dalana MCP Server Ny famolavolana ny LangGraph + LangChain MCP Client Ny fametrahana ny Human-in-the-Loop amin'ny interrupt() Mandeha ny workflow feno Aoka isika handray anjara amin'izany - Ny fahazoan-dalana miaraka amin'ny fahazoan-dalana Hanomboka amin'ny famaritana ny fitsipiky ny fidirana ao anatin'ny rafitra Izany dia ahafahanao mamolavola izay mpampiasa afaka manao inona ary izay hetsika tokony hitarika ny fivoaran'ny fankatoavana. Izany dia ny Dashboard. Create a ReBAC Resource Mandeha any amin'ny ny pejy avy amin'ny sidebar, dia: Policy Tsindrio ny Resources tab Tsindrio ny famoronana loharanom-baovao Ny lohahevitra dia: Restaurants Under , define two roles: ReBAC Options parent child-can-order Tsindrio ny Save Ankehitriny, mandehana any amin'ny Tab ary manome fahazoan-dalana: Policy Editor parent: fidirana feno (manao, mamaky, fanavaozana, manafoana) Ny ankizy dia afaka mamaky Set Up Permit Elements Mandehana any amin'ny Ao anaty fitafiana vita amin'ny lamba. amin'ny lamba. Ao amin'ny Click . Elements User Management Create Element Configure the element as follows: : Restaurant Requests Name : ReBAC Resource Roles Configure elements based on : restaurants Resource Type Role permission levels Level 1 – Workspace Owner: parent Assignable Roles: child-can-order Tsindrio ny famoronana Ao amin'ny karatra elementy novolavolaina, tsindrio ny Get Code ary tsarovy ny config ID: restaurant-requests. Add Operation Approval Elements Create a new element: Operation Approval : Dish Approval Name : restaurants Resource Type Tsindrio ny famoronana Then create an element: Approval Management : Dish Requests Name Tsindrio ny Get Code ary kopia ny config ID: dish-requests. Add Test Users & Resource Instances Mandeha any amin'ny Directory > Instances Click Add Instance : restaurants Resource Type : Instance Key pizza-palace : Default Tenant (or your working tenant) Tenant Miverina amin'ny fantsona User Click Add User : Key joe : Instance Access restaurants:pizza-palace#parent Click Save Create another user with the key henry Don’t assign a role Rehefa vita ny fametrahana ny Permit, dia vonona ny hanangona ny mpizara MCP ary mampifandray ny politika amin'ny mpiara-miasa. Ny fametrahana ny fahazoan-dalana MCP Server Miaraka amin'ny politikan'ny modely ao amin'ny tabilao fahazoan-dalana, fotoana izao ny hamerina azy ireo amin'ny alalan'ny fametrahana ny — ny serivisy eo an-toerana izay mampiseho ny fangatahanao fidirana sy ny fankatoavana toy ny fitaovana izay afaka mampiasa ny mpiara-miasa amin'ny AI. Permit MCP server Clone and Install the MCP Server Manomboka amin'ny fanokafana ny mpizara MCP sy ny fametrahana tontolo virtoaly. git clone <https://github.com/permitio/permit-mcp> cd permit-mcp # Create virtual environment, activate it and install dependencies uv venv source .venv/bin/activate # For Windows: .venv\\Scripts\\activate uv pip install -e . Add Environment Configuration Ny famoronana ny rakitra ao amin'ny fototry ny tetikasa mifototra amin'ny manome ary Salmona niteraka an'i Boaza tamin-dRahaba ; ary Boaza an'i Obeda tamin-dRota ; ary Obeda niteraka an'i Jese ; .env .env.example bash CopyEdit RESOURCE_KEY=restaurants ACCESS_ELEMENTS_CONFIG_ID=restaurant-requests OPERATION_ELEMENTS_CONFIG_ID=dish-requests TENANT= # e.g. default LOCAL_PDP_URL= PERMIT_API_KEY= PROJECT_ID= ENV_ID= You can retrieve these values using the following resources: Ny tranonkala dia ny URL. Mba hahafahana miditra amin'ny API Ny tetikasa dia ID Ny ID ️Torohevitra: Miasa amin'ny ho an'ity fampiofanana ity mba hanampiana ny fanombanana ReBAC sy ny fanadinana ambany, offline. Ny PPP (Policy Decision Point) dia Start the Server Miaraka amin'ny zava-drehetra, dia afaka mihazakazaka amin'ny mpizara MCP ianao amin'izao fotoana izao: uv run -m src.permit_mcp Rehefa mihazakazaka ny mpizara, dia hampiseho ny fametrahana ny Permit Elements (fahazoan-dàlana fangatahana, fankatoavana fitantanana, sns) ho toy ny fitaovana ny mpampiasa dia afaka miantso amin'ny alalan'ny protocol MCP. Ny famolavolana ny LangGraph + LangChain MCP Client Amin'izao fotoana izao dia mihazakazaka sy mihazakazaka ny mpizara Permit MCP, dia hanorina mpanjifa AI izay afaka mifandray aminy. Ampiasao ny Gemini-powered LLM mba hanapa-kevitra izay hetsika handrayDynamically miantso ny fitaovana MCP toy ny request_access, approve_operation_approval, sns. Mihazakazaka tanteraka ao anatin'ny vokatra LangGraph Pause for human review using interrupt() (ao amin'ny fizarana manaraka) Aoka isika hampifandray ny dots. Install Required Dependencies Ao anatin'ny directory ny tetikasa MCP, mametraka ny paketa ilaina: uv add langchain-mcp-adapters langgraph langchain-google-genai Izany dia manome anao: langchain-mcp-adapters: Manova ny fitaovana Permit MCP amin'ny fitaovana mifanaraka amin'ny LangGraph langgraph: Ho an'ny fanatanterahana ny workflows mifototra amin'ny graph langchain-google-genai: Ho mifandray amin'ny Gemini 2.0 Flash Add Google API Key Mila ny API key avy amin'ny Ny fampiasana ny Gemini. Ao amin'ny Google Studio Ampiasao ny fanalahidy ho an'ny Ny rakitra: .env GOOGLE_API_KEY=your-key-here Build the MCP Client Hanorina rakitra antsoina hoe Ao amin'ny tetikasa root. client.py Afaka manapaka ity rakitra ity amin'ny blôka ara-logika: Imports and Setup Start by importing dependencies and loading environment variables: import os from typing_extensions import TypedDict, Literal, Annotated from dotenv import load_dotenv from langchain_google_genai import ChatGoogleGenerativeAI from langgraph.graph import StateGraph, START, END from langgraph.types import Command, interrupt from langgraph.checkpoint.memory import MemorySaver from langgraph.prebuilt import ToolNode from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client from langchain_mcp_adapters.tools import load_mcp_tools import asyncio from langgraph.graph.message import add_messages Then, load the environment and set up your Gemini LLM: load_dotenv() global_llm_with_tools = None llm = ChatGoogleGenerativeAI( model="gemini-2.0-flash", google_api_key=os.getenv('GOOGLE_API_KEY') ) Tell LangGraph how to communicate with the running MCP server: Configure MCP Server Parameters server_params = StdioServerParameters( command="python", args=["src/permit_mcp/server.py"], ) Mifanaraka amin'ny fitondran-tenan'ny mpiara-miasa: class State(TypedDict): messages: Annotated[list, add_messages] and the : Define Workflow Nodes graph builder Here’s the logic to route between calling the LLM and invoking tools: async def call_llm(state): response = await global_llm_with_tools.ainvoke(state["messages"]) return {"messages": [response]} def route_after_llm(state) -> Literal[END, "run_tool"]: return END if len(state["messages"][-1].tool_calls) == 0 else "run_tool" async def setup_graph(tools): builder = StateGraph(State) run_tool = ToolNode(tools) builder.add_node(call_llm) builder.add_node('run_tool', run_tool) builder.add_edge(START, "call_llm") builder.add_conditional_edges("call_llm", route_after_llm) builder.add_edge("run_tool", "call_llm") memory = MemorySaver() return builder.compile(checkpointer=memory) Ao amin'ny fehezan-dalàna etsy ambony, dia voafaritra ny LLM node sy ny faritany voafetra, izay mivezivezy amin'ny Node raha misy fangatahana fitaovana ao amin'ny hafatra ao amin'ny toe-javatra, na mifarana ny grafika. dia efa voafaritra ihany koa ny endri-javatra mba hametraka sy hanangona ny grafika amin'ny alàlan'ny fanaraha-maso ao amin'ny fahatsiarovana. run_tool Avy eo, manampy ny fehezan-dalana manaraka mba hanodidina ny valiny avy amin'ny grafika ary manampy ny chat interactive, izay mihazakazaka mandra-pahatongan'ny mazava. and an : Stream Output and Handle Chat Input, infinite loop for user interaction async def stream_responses(graph, config, invokeWith): async for event in graph.astream(invokeWith, config, stream_mode='updates'): for key, value in event.items(): if key == 'call_llm': content = value["messages"][-1].content if content: print('\\n' + ", ".join(content) if isinstance(content, list) else content) async def chat_loop(graph): while True: try: user_input = input("\\nQuery: ").strip() if user_input in ["quit", "exit", "q"]: print("Goodbye!") break sys_m = """ Always provide the resource instance key during tool calls, as the ReBAC authorization model is being used. To obtain the resource instance key, use the list_resource_instances tool to view available resource instances. Always parse the provided data before displaying it. If the user has initially provided their ID, use that for subsequent tool calls without asking them again. """ invokeWith = {"messages": [ {"role": "user", "content": sys_m + '\\n\\n' + user_input}]} config = {"configurable": {"thread_id": "1"}} await stream_responses(graph, config, invokeWith) except Exception as e: print(f"Error: {e}") Final Assembly Add the main entry point where we will convert the Permit MCP server tool to LangGraph-compatible tools, bind our LLM to the resulting tools, set up the graph, draw it to a file, and fire up the chat loop: python CopyEdit async def main(): async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() tools = await load_mcp_tools(session) llm_with_tools = llm.bind_tools(tools) graph = await setup_graph(tools) global global_llm_with_tools global_llm_with_tools = llm_with_tools with open("workflow_graph.png", "wb") as f: f.write(graph.get_graph().draw_mermaid_png()) await chat_loop(graph) if __name__ == "__main__": asyncio.run(main()) Lastly, Run the Client Rehefa efa voavonjy ny zava-drehetra ianao, manomboka ny mpanjifa: uv run client.py Rehefa mihazakazaka, misy rakitra sary vaovao antsoina hoe Hisy ny famoronana, izay mampiseho ny sary. workflow_graph.png Amin'ny fametrahana ny zava-drehetra, dia azontsika atao amin'izao fotoana izao ny mamaritra fanontaniana toy izao: Query: My user id is henry, request access to pizza palace with the reason: I am now 18, and the role child-can-order Query: My user id is joe, list all access requests Your agent is now able to call MCP tools dynamically! Amin'ny alalan'ny Human-in-the-Loop interrupt() Miaraka amin'ny mpanjifa MCP miaraka amin'ny LangGraph ianao ary mihazakazaka, dia azo antsoina avy hatrany ny fitaovana Permit. toy ny fanomezana fidirana amin'ny loharanom-baovao voafetra na ny fankatoavana asa misy loza? sensitive, Izany no toerana misy ny Langgraph Ary lasa mahasoa. interrupt() Amin'izao fotoana izao dia hanampy ny to intercept and pause the workflow whenever the agent tries to invoke critical tools like: human approval node Mifanaraka amin'ny fangatahana ny fangatahana Ny fankatoavana dia ny fankatoavana. Ny olombelona dia hanontany ny fitaovana antso alohan'ny handroso ny mpiara-miasa. manually approve or deny Define the Human Review Node Ao amin'ny ambony indrindra amin'ny Ny rakitra (mialoha ny Ampidiro ny asa manaraka: client.py setup_graph async def human_review_node(state) -> Command[Literal["call_llm", "run_tool"]]: """Handle human review process.""" last_message = state["messages"][-1] tool_call = last_message.tool_calls[-1] high_risk_tools = ['approve_access_request', 'approve_operation_approval'] if tool_call["name"] not in high_risk_tools: return Command(goto="run_tool") human_review = interrupt({ "question": "Do you approve this tool call? (yes/no)", "tool_call": tool_call, }) review_action = human_review["action"] if review_action == "yes": return Command(goto="run_tool") return Command(goto="call_llm", update={"messages": [{ "role": "tool", "content": f"The user declined your request to execute the {tool_call.get('name', 'Unknown')} tool, with arguments {tool_call.get('args', 'N/A')}", "name": tool_call["name"], "tool_call_id": tool_call["id"], }]}) Ity node ity dia manamarina raha toa ka ny fitaovana antsoina dia heverina ho “risika lehibe”. Update Graph Routing Manova ny miasa amin'ny fomba izay ny fitaovana miantso ny lalana ho any amin'ny olombelona fanamarinana node fa tsy mihazakazaka avy hatrany: route_after_llm def route_after_llm(state) -> Literal[END, "human_review_node"]: """Route logic after LLM processing.""" return END if len(state["messages"][-1].tool_calls) == 0 else "human_review_node" Wire in the HITL Node Ny fanavaozana Ny asa fanampiny dia hanampy Toy ny node ao amin'ny graph: setup_graph human_review_node async def setup_graph(tools): builder = StateGraph(State) run_tool = ToolNode(tools) builder.add_node(call_llm) builder.add_node('run_tool', run_tool) builder.add_node(human_review_node) # Add the interrupt node here builder.add_edge(START, "call_llm") builder.add_conditional_edges("call_llm", route_after_llm) builder.add_edge("run_tool", "call_llm") memory = MemorySaver() return builder.compile(checkpointer=memory) Handle Human Input During Runtime Amin'ny farany dia hanatsarana ny Function mba hahafantarana rehefa voahelingelina ny sary, manoro hevitra ho an'ny fanapahan-kevitra, ary manomboka amin'ny fidirana amin'ny olona amin'ny fampiasana . stream_responses Command(resume={"action": user_input}) Rehefa mihazakazaka ny mpanjifa, ny sary dia tsy tokony ho toy izao: Rehefa mihazakazaka ny mpanjifa, ny diagram ( ) dia hampiasaina amin'izao fotoana izao ny fanadihadiana ny olona node eo amin'ny LLM sy ny fitaovana fanatanterahana dingana: workflow_graph.png Izany dia manome antoka fa Indraindray ny mpiara-miasa dia miezaka hanao fanapahan-kevitra izay mety hanova ny fahazoan-dalana na handositra ny fepetra voafetra. you remain in control Amin'ny alalan'izany, dia efa nanampy ny fanaraha-maso ny olombelona amin'ny mpiara-miasa amin'ny AI ianao, raha tsy manoratra indray ny fitaovana na ny logic backend. Ny famaranana Ao amin'ity fampiofanana ity, dia namorona mpiasan'ny AI azo antoka, mahafantatra ny olombelona izahay . Ny fangatahana fidirana amin'ny MCP Ny Ny fantsona Ary LangChain MCP Adapters amin'ny alalan'ny Ny fangatahana fidirana amin'ny MCP Ny fantsona LangChain MCP Adapters amin'ny alalan'ny Ankoatra ny mamela ny mpiara-miasa tsy voafehy, dia nanome azy ny fahefana Ny fidirana sy Toy izany koa ny mpikambana tompon'andraikitra ao amin'ny ekipa. request defer critical decisions to human users, We covered: Ahoana ny fomba famolavolana ny fahazoan-dalana sy ny fankatoavana amin'ny fampiasana ny Permit Elements sy ny ReBAC Ahoana no ahafahan'ny mpampiasa mampiasa ny mpizara MCP Ahoana ny fomba hananganana mpanjifa miasa amin'ny LangGraph izay miantso ireo fitaovana ireo amin'ny fomba mazava Ary ny fomba hametraka ny fanaraha-maso ny olona amin'ny fotoana tena izy (HITL) amin'ny fampiasana interrupt() Tianao ny hahita ny demo feno amin'ny hetsika? jereo ny . Miverina amin'ny GitHub Further Reading - Manamaivana ny fiaraha-miasa amin'ny AI amin'ny alàlan'ny fahafahana Gateway Ampiasao ny MCP GitHub Repo Ny fametrahana ny LangChain MCP Adapter Ampiasao ny politikan'ny ReBAC LangGraph interrupt() fanehoan-kevitra
