Wprowadzenie do Human-in-the-loop<\/strong><\/h2>\n\n\n\nKoncepcja Human-in-the-loop <\/strong>(w skr\u00f3cie HILP) oznacza zaanga\u017cowanie cz\u0142owieka w procesy decyzyjne system\u00f3w AI.<\/p>\n\n\n\nPomimo \u017ce HILP<\/strong> funkcjonuje w \u015bwiecie technologii od dawna, to w\u0142a\u015bnie tu \u2013 tj. w dziedzinie AI \u2013 ten proces staje si\u0119 wyj\u0105tkowo u\u017cyteczny. Dzieje si\u0119 tak dlatego, \u017ce systemy oparte na sztucznej inteligencji \u2013 pomimo \u017ce obecnie s\u0105 ju\u017c niezwykle skuteczne \u2013 wci\u0105\u017c maj\u0105 scenariusze, w kt\u00f3rych ludzka ocena i weryfikacja s\u0105 wr\u0119cz niezb\u0119dne. W szczeg\u00f3lno\u015bci, gdy chodzi o precyzj\u0119 i bezpiecze\u0144stwo wynik\u00f3w.<\/p>\n\n\n\nJak dzia\u0142a HILP w praktyce?<\/strong><\/h2>\n\n\n\nSystem AI, w momencie napotkania scenariusza, kt\u00f3ry nie zosta\u0142 zawarty w zestawie regu\u0142, zatrzymuje proces (a dok\u0142adniej \u2013 p\u0119tl\u0119 procesu), oczekuj\u0105c na odpowied\u017a od cz\u0142owieka. Dzi\u0119ki zatwierdzeniu lub wprowadzeniu poprawek \u2013 Agent kontynuuje prac\u0119 w okre\u015blonym przez \u201eludzkiego nadzorc\u0119\u201d kierunku.<\/p>\n\n\n\n
LangGraph, czyli budowanie AI-owych proces\u00f3w<\/strong><\/h2>\n\n\n\nAplikacje Agent\u00f3w AI mo\u017cna budowa\u0107 z u\u017cyciem podstawowych bibliotek (SDK) udost\u0119pnianych przez firmy tworz\u0105ce modele j\u0119zykowe. Obecnie jedn\u0105 z popularniejszych jest SDK firmy OpenAI<\/a> \u2013 odpowiedzialn\u0105 m.in. za model ChatGPT.<\/p>\n\n\n\nId\u0105c krok dalej, wraz z rozwojem oprogramowania opartego o LLM-y powsta\u0142y dodatkowe frameworki, kt\u00f3re znacznie rozszerzy\u0142y mo\u017cliwo\u015bci bibliotek standardowych.<\/p>\n\n\n\n
Frameworki pozwalaj\u0105 na \u0142\u0105czenie si\u0119 z modelami r\u00f3\u017cnych producent\u00f3w oraz zapewniaj\u0105 szereg dodatkowych funkcji u\u0142atwiaj\u0105cych budowanie aplikacji AI, jak r\u00f3wnie\u017c ich orkiestracj\u0119.<\/p>\n\n\n\n
Jednym z popularniejszych na chwil\u0119 obecn\u0105 jest LangGraph<\/strong> \u2013 framework umo\u017cliwiaj\u0105cy budowanie zaawansowanych proces\u00f3w z u\u017cyciem LLM-\u00f3w. LangGraph pozwala w relatywnie prosty spos\u00f3b w\u0142\u0105cza\u0107 r\u00f3\u017cne komponenty: narz\u0119dzia, pami\u0119\u0107 zewn\u0119trzn\u0105. U\u0142atwia te\u017c implementacj\u0119 koncepcji takich jak HILP \u2013 wszystko to w ramach konkretnego procesu (tzw. grafu).<\/p>\n\n\n\nCzym jest graf procesu?<\/strong><\/h3>\n\n\n\nLangGraph pozwala definiowa\u0107 etapy procesu w formie grafu, kt\u00f3ry sk\u0142ada si\u0119 z w\u0119z\u0142\u00f3w o r\u00f3\u017cnym przeznaczeniu.<\/p>\n\n\n\n
Oto kilka z nich, kt\u00f3rych u\u017cyjemy w naszej aplikacji:<\/p>\n\n\n\n
\n- W\u0119ze\u0142 agenta<\/strong> \u2013 odpowiedzialny za komunikacj\u0119 z LLM-em (przekazywanie danych z\/do LLM-a).<\/li>\n\n\n\n
- W\u0119ze\u0142 narz\u0119dzi <\/strong>\u2013 przyk\u0142adowo narz\u0119dzie przeszukuj\u0105ce dodatkow\u0105 baz\u0119 wiedzy.<\/li>\n\n\n\n
- W\u0119ze\u0142 decyzji cz\u0142owieka<\/strong> \u2013 gdzie u\u017cytkownik wp\u0142ywa na proces, kontroluj\u0105c \u015bcie\u017ck\u0119, kt\u00f3r\u0105 aplikacja ma pod\u0105\u017ca\u0107.<\/li>\n<\/ul>\n\n\n\n
Technika RAG<\/strong><\/h3>\n\n\n\nIstnieje jeszcze jedna wa\u017cna technika, niezb\u0119dna, aby stworzy\u0107 nasz Augmented LLM \u2013 jest ni\u0105 technika RAG.<\/p>\n\n\n\n
RAG rozszerza mo\u017cliwo\u015bci wbudowanej\/treningowej bazy wiedzy LLM-a poprzez dodanie dodatkowego wyszukiwania, kt\u00f3re pozwala modelowi na dost\u0119p do zewn\u0119trznych \u017ar\u00f3de\u0142 danych. Dzi\u0119ki tej technice model mo\u017ce generowa\u0107 dok\u0142adniejsze odpowiedzi, poniewa\u017c uwzgl\u0119dnia kontekst dodatkowych danych, niedost\u0119pnych nigdzie indziej \u2013 przyk\u0142adowo danymi mo\u017ce by\u0107 wewn\u0119trzny FAQ organizacji.<\/p>\n\n\n\n
Ostatecznie pozyskanymi danymi mo\u017cemy zasila\u0107 aplikacj\u0119 ChatBota AI, aby udzieli\u0107 precyzyjnych odpowiedzi pracownikom firmy.<\/p>\n\n\n\n
W naszym kodzie RAG<\/strong> umo\u017cliwia wyszukanie dokument\u00f3w zaindeksowanych w bazie wektorowej.<\/p>\n\n\n\nSama tematyka baz wektorowych jest bardzo szeroki i znacznie wykracza poza zakres obecnego artyku\u0142u. Jednak\u017ce, warto zapami\u0119ta\u0107, \u017ce bazy wektorowe s\u0105 niezb\u0119dne, aby\u015bmy mogli skonwertowa\u0107 tekst na wektory, czyli matematyczne reprezentacje danych, aby ostatecznie przekaza\u0107 je przez aplikacj\u0119 AI do LLM-a.<\/p>\n\n\n\n
Implementacja Human-in-the-loop w LangGraph<\/strong><\/h2>\n\n\n\nObecnie LangGraph jest frameworkiem udost\u0119pniaj\u0105cym SDK dla dw\u00f3ch j\u0119zyk\u00f3w programowania \u2013 Python oraz JavaScript. W naszej aplikacji u\u017cyli\u015bmy j\u0119zyka Python.<\/p>\n\n\n\n
Dodatkowo \u201em\u00f3zg\u201d naszego systemu stanowi model j\u0119zykowy ChatGPT w wersji 4o-mini<\/strong> \u2013 st\u0105d, aby uruchomi\u0107 aplikacj\u0119, nale\u017cy wygenerowa\u0107 klucz API<\/a>, na dedykowanej platformie firmy OpenAI (w tym celu b\u0119dzie wymagane za\u0142o\u017cenie konta u\u017cytkownika, je\u017celi go nie posiadasz).<\/p>\n\n\n\nCo wi\u0119cej, u\u017cycie API OpenAI mo\u017ce wi\u0105za\u0107 si\u0119 r\u00f3wnie\u017c z niewielkimi kosztami, je\u017celi NIE zdecydujemy si\u0119 udost\u0119pnia\u0107 danych naszej komunikacji z modelem, dla cel\u00f3w treningowych. Wi\u0119cej informacji znajdziesz tutaj<\/a>.<\/p>\n\n\n\nKonfiguracja \u015brodowiska developerskiego<\/strong><\/h3>\n\n\n\n
Pomimo \u017ce HILP<\/strong> funkcjonuje w \u015bwiecie technologii od dawna, to w\u0142a\u015bnie tu \u2013 tj. w dziedzinie AI \u2013 ten proces staje si\u0119 wyj\u0105tkowo u\u017cyteczny. Dzieje si\u0119 tak dlatego, \u017ce systemy oparte na sztucznej inteligencji \u2013 pomimo \u017ce obecnie s\u0105 ju\u017c niezwykle skuteczne \u2013 wci\u0105\u017c maj\u0105 scenariusze, w kt\u00f3rych ludzka ocena i weryfikacja s\u0105 wr\u0119cz niezb\u0119dne. W szczeg\u00f3lno\u015bci, gdy chodzi o precyzj\u0119 i bezpiecze\u0144stwo wynik\u00f3w.<\/p>\n\n\n\n System AI, w momencie napotkania scenariusza, kt\u00f3ry nie zosta\u0142 zawarty w zestawie regu\u0142, zatrzymuje proces (a dok\u0142adniej \u2013 p\u0119tl\u0119 procesu), oczekuj\u0105c na odpowied\u017a od cz\u0142owieka. Dzi\u0119ki zatwierdzeniu lub wprowadzeniu poprawek \u2013 Agent kontynuuje prac\u0119 w okre\u015blonym przez \u201eludzkiego nadzorc\u0119\u201d kierunku.<\/p>\n\n\n\n Aplikacje Agent\u00f3w AI mo\u017cna budowa\u0107 z u\u017cyciem podstawowych bibliotek (SDK) udost\u0119pnianych przez firmy tworz\u0105ce modele j\u0119zykowe. Obecnie jedn\u0105 z popularniejszych jest SDK firmy OpenAI<\/a> \u2013 odpowiedzialn\u0105 m.in. za model ChatGPT.<\/p>\n\n\n\n Id\u0105c krok dalej, wraz z rozwojem oprogramowania opartego o LLM-y powsta\u0142y dodatkowe frameworki, kt\u00f3re znacznie rozszerzy\u0142y mo\u017cliwo\u015bci bibliotek standardowych.<\/p>\n\n\n\n Frameworki pozwalaj\u0105 na \u0142\u0105czenie si\u0119 z modelami r\u00f3\u017cnych producent\u00f3w oraz zapewniaj\u0105 szereg dodatkowych funkcji u\u0142atwiaj\u0105cych budowanie aplikacji AI, jak r\u00f3wnie\u017c ich orkiestracj\u0119.<\/p>\n\n\n\n Jednym z popularniejszych na chwil\u0119 obecn\u0105 jest LangGraph<\/strong> \u2013 framework umo\u017cliwiaj\u0105cy budowanie zaawansowanych proces\u00f3w z u\u017cyciem LLM-\u00f3w. LangGraph pozwala w relatywnie prosty spos\u00f3b w\u0142\u0105cza\u0107 r\u00f3\u017cne komponenty: narz\u0119dzia, pami\u0119\u0107 zewn\u0119trzn\u0105. U\u0142atwia te\u017c implementacj\u0119 koncepcji takich jak HILP \u2013 wszystko to w ramach konkretnego procesu (tzw. grafu).<\/p>\n\n\n\n LangGraph pozwala definiowa\u0107 etapy procesu w formie grafu, kt\u00f3ry sk\u0142ada si\u0119 z w\u0119z\u0142\u00f3w o r\u00f3\u017cnym przeznaczeniu.<\/p>\n\n\n\n Oto kilka z nich, kt\u00f3rych u\u017cyjemy w naszej aplikacji:<\/p>\n\n\n\n Istnieje jeszcze jedna wa\u017cna technika, niezb\u0119dna, aby stworzy\u0107 nasz Augmented LLM \u2013 jest ni\u0105 technika RAG.<\/p>\n\n\n\n RAG rozszerza mo\u017cliwo\u015bci wbudowanej\/treningowej bazy wiedzy LLM-a poprzez dodanie dodatkowego wyszukiwania, kt\u00f3re pozwala modelowi na dost\u0119p do zewn\u0119trznych \u017ar\u00f3de\u0142 danych. Dzi\u0119ki tej technice model mo\u017ce generowa\u0107 dok\u0142adniejsze odpowiedzi, poniewa\u017c uwzgl\u0119dnia kontekst dodatkowych danych, niedost\u0119pnych nigdzie indziej \u2013 przyk\u0142adowo danymi mo\u017ce by\u0107 wewn\u0119trzny FAQ organizacji.<\/p>\n\n\n\n Ostatecznie pozyskanymi danymi mo\u017cemy zasila\u0107 aplikacj\u0119 ChatBota AI, aby udzieli\u0107 precyzyjnych odpowiedzi pracownikom firmy.<\/p>\n\n\n\n W naszym kodzie RAG<\/strong> umo\u017cliwia wyszukanie dokument\u00f3w zaindeksowanych w bazie wektorowej.<\/p>\n\n\n\n Sama tematyka baz wektorowych jest bardzo szeroki i znacznie wykracza poza zakres obecnego artyku\u0142u. Jednak\u017ce, warto zapami\u0119ta\u0107, \u017ce bazy wektorowe s\u0105 niezb\u0119dne, aby\u015bmy mogli skonwertowa\u0107 tekst na wektory, czyli matematyczne reprezentacje danych, aby ostatecznie przekaza\u0107 je przez aplikacj\u0119 AI do LLM-a.<\/p>\n\n\n\n Obecnie LangGraph jest frameworkiem udost\u0119pniaj\u0105cym SDK dla dw\u00f3ch j\u0119zyk\u00f3w programowania \u2013 Python oraz JavaScript. W naszej aplikacji u\u017cyli\u015bmy j\u0119zyka Python.<\/p>\n\n\n\n Dodatkowo \u201em\u00f3zg\u201d naszego systemu stanowi model j\u0119zykowy ChatGPT w wersji 4o-mini<\/strong> \u2013 st\u0105d, aby uruchomi\u0107 aplikacj\u0119, nale\u017cy wygenerowa\u0107 klucz API<\/a>, na dedykowanej platformie firmy OpenAI (w tym celu b\u0119dzie wymagane za\u0142o\u017cenie konta u\u017cytkownika, je\u017celi go nie posiadasz).<\/p>\n\n\n\n Co wi\u0119cej, u\u017cycie API OpenAI mo\u017ce wi\u0105za\u0107 si\u0119 r\u00f3wnie\u017c z niewielkimi kosztami, je\u017celi NIE zdecydujemy si\u0119 udost\u0119pnia\u0107 danych naszej komunikacji z modelem, dla cel\u00f3w treningowych. Wi\u0119cej informacji znajdziesz tutaj<\/a>.<\/p>\n\n\n\nJak dzia\u0142a HILP w praktyce?<\/strong><\/h2>\n\n\n\n
LangGraph, czyli budowanie AI-owych proces\u00f3w<\/strong><\/h2>\n\n\n\n
Czym jest graf procesu?<\/strong><\/h3>\n\n\n\n
\n
Technika RAG<\/strong><\/h3>\n\n\n\n
Implementacja Human-in-the-loop w LangGraph<\/strong><\/h2>\n\n\n\n
Konfiguracja \u015brodowiska developerskiego<\/strong><\/h3>\n\n\n\n
![\"zaprogramowany](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/08\/graph-visualisation.png\")
![\"oferty](\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/08\/praca-PL-k-5.jpg\")
<\/a><\/figure>\n\n\n\n