
Как я создал AI-ассистента для трейдинга на T-Invest API Часть 2: Human-In-The-Loop
RadAI 11 минут назад Как я создал AI-ассистента для трейдинга на T-Invest API Часть 2: Human-In-The-Loop Уровень сложности Средний Время на прочтение 5 мин Охват и читатели 465 Программирование * Искусственный интеллект...
Anthropic — What company has the best second artificial intelligence model at the end of June?
В сфере искусственного интеллекта произошло заметное событие. RadAI 11 минут назад Как я создал AI-ассистента для трейдинга на T-Invest API Часть 2: Human-In-The-Loop Уровень сложности Средний Время на прочтение 5 мин Охват и читатели 465 Программирование * Искусственный интеллект Python * ReactJS * Кейс Введение В предыдущей статье был рассмотрен способ интеграции ИИ-ассистентов в процесс торговли на бирже. Чтобы углубиться в проектирование ИИ‑приложений, я решил доработать проект. В данной части опишу, как реализовал механизм GuardRails, а именно технику Human‑In‑The‑Loop.
Примечание На скриншотах вы встретите логотипы и фирменные цвета Т‑Банка. Это сделано намеренно, так как проект строится на официальном T-Invest API и их SDK. Все материалы приведены исключительно в демонстрационных целях.
Технические детали
Статья не является рекламой, не содержит инвестиционных рекомендаций и не подразумевает официального партнёрства с банком. Не давать агентам делать лишнего - GuardRails Дословно GuardRails переводится как «Ограждения». Это набор техник и инструментов, которые контролируют входные запросы и выходные ответы LLM.
Проще говоря, это механизмы управления рисками при работе с ИИ‑агентами. Основное с чем борется GuardRails это: Маскирование ПД при выполнении инструментов; Отсечение запросов, которые не относятся к функционалу агента; Детектирование и борьба с промпт инъекциями; Борьба с галлюцинациями. На текущем этапе самым важным действием моего агента остаётся покупка и продажа акций.
При проведении тестов было выявлено, что при выполнении этих задачах модель редко, но ошибается. Помимо этого, сохраняя парадигму, что агент является помощником, а итоговое решение принимает пользователь, целесообразно сделать подтверждение действий агента. Human‑In‑The‑Loop (HITL) Для реализации HITL был совершен полный переход на проектирование агента в фреймворке LangGraph.
Отраслевые последствия
В отличие от линейных Chain -пайплайнов, LangGraph позволяет строить ориентированные графы с циклами, явно управлять состоянием и, что важно для моей задачи, безопасно останавливать выполнение в любой точке. Ключевой механизм, который делает HITL возможным в LangGraph - это interrupt . По своей сути, это контрольная точка, в которой выполнение графа приостанавливается, текущее состояние сохраняется в Checkpointer , а управление передаётся внешнему приложению (веб-интерфейсу, Telegram-боту, CLI и т.
LangGraph автоматически вставляет хук в граф. Как только поток управления доходит до этого узла, выполнение прерывается. Подробнее можно почитать в документации , а на форуме ознакомиться с примерами.
Вывод на веб-интерфейс Chainlit Данная техника реализована в ноде исполнения инструментов: # Импорты библиотек from langgraph. types import interrupt ... async def tool_node(state: MessagesState): tool_call = state.
Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.





