LangGraph 15. Goal Setting and Monitoring —— 用 LangGraph 写一个「有目标、会自检」的智能体（含代码示例）

摘要本文介绍如何在 LangGraph 中实现 Goal Setting目标设定与 Monitoring监控。案例介绍配套 demo 实现一个 AI 代码生成智能体——用户提供编程需求与质量目标如「简单易懂、功能正确、处理边界情况」智能体进入「生成 → 自评审 → 判断目标是否满足 → 修订」的循环直至达标或达到最大迭代次数。提供main.py命令行与main.ipynb演示输出代码保存至output/目录。技术要点用 LangGraph 的条件边实现「满足则保存、未满足则修订」的分支generate_code、get_feedback、check_goals_met、save_code四节点构成完整闭环LLM 既负责生成代码也负责评审与目标判定。关键词Goal SettingMonitoringLangGraph代码生成自检循环条件边CodeAgentState源代码链接Langgraph 15. Goal Setting and Monitoring源代码1. 为什么智能体需要「目标设定与监控」想象一下你计划一次旅行。你不会凭空出现在目的地而是会确定要去哪里目标状态、知道当前在哪初始状态、考虑可选方案交通、路线、预算然后规划一系列步骤订票、打包、去机场、登机、抵达、找住宿……这个过程本质上就是规划——有目标、有步骤、有反馈。对 AI 智能体来说道理是一样的如果它只会处理单次查询、执行单步动作而没有明确的目标、没有监控进展、没有根据反馈调整的能力那它更像一个「高级脚本」而不是一个能自主完成复杂任务的智能体。Goal Setting and Monitoring要解决的就是Goal Setting目标设定给智能体清晰、可衡量的目标让它知道「做到什么算成功」Monitoring监控持续跟踪智能体的行为、环境状态、工具输出判断是否在朝目标前进反馈循环根据监控结果决定是继续执行、修订计划还是升级处理。理解要点目标要具体、可衡量如 SMART 原则监控要覆盖「动作、环境、结果」反馈要能驱动决策——继续、修订或升级。2. 示例设定一个会「自检」的 AI 代码生成智能体我们希望构建这样一个场景你给智能体一个编程需求如「求正整数的 Binary Gap」和一份质量目标清单如「简单易懂、功能正确、处理边界情况」智能体生成初版代码智能体自我评审对照目标逐项检查给出反馈智能体判断目标是否满足若满足则保存并结束否则根据反馈修订代码循环重复生成 → 评审 → 判断直到目标满足或达到最大迭代次数如 5 轮。也就是说我们不依赖人类逐轮打分而是用LLM 既当「程序员」又当「评审员」形成一个最小可运行的 Goal Setting and Monitoring 闭环。实际例子用户需求「编写代码求 Binary Gap」目标「简单易懂、功能正确、处理边界情况」。第一轮生成的代码可能遗漏边界情况评审反馈指出后第二轮修订若仍未满足继续循环直至通过或达到上限。3. 状态与图结构用 LangGraph 表达「生成 → 监控 → 修订」在代码中我们用CodeAgentState描述图中流转的状态见code_agent_graph.pyclassCodeAgentState(TypedDict):use_case:str# 编程需求goals:list[str]# 质量目标列表current_code:str# 当前生成的代码feedback:str# 评审反馈iteration:int# 当前迭代轮次goals_met:bool# 目标是否已满足filepath:str|None# 最终保存路径对应的 LangGraph 结构如下START ↓ generate_code # 根据需求与上一轮反馈生成/修订代码 ↓ get_feedback # 对当前代码进行评审 ↓ check_goals_met # 根据反馈判断目标是否满足 ↓ ├─ save → save_code → END └─ refine → generate_code循环在build_code_agent()中我们用条件边实现分支defbuild_code_agent(max_iterations:int5): 构建 Goal Setting and Monitoring 的 LangGraph。 流程 START → generate_code → get_feedback → check_goals_met ↑ | | | | | | ├─ save → save_code → END └───────────┴──────────────┴────────────────────┴─ refine → generate_code (循环) graphStateGraph(CodeAgentState)graph.add_node(generate_code,generate_code_node)graph.add_node(get_feedback,get_feedback_node)graph.add_node(check_goals_met,check_goals_met_node)graph.add_node(save_code,save_code_node)graph.add_edge(START,generate_code)graph.add_edge(generate_code,get_feedback)graph.add_edge(get_feedback,check_goals_met)graph.add_conditional_edges(check_goals_met,lambdas:_route_after_check(s,max_iterations),{save:save_code,refine:generate_code},)graph.add_edge(save_code,END)returngraph当goals_met为 True 或iteration max_iterations时走向save_code否则回到generate_code。4. 核心节点生成、评审、判断、保存4.1 generate_code根据需求与反馈生成代码该节点负责「产出」首轮根据use_case和goals生成初版代码后续轮次则根据get_feedback的评审意见在 prompt 中附带上一版代码和反馈驱动 LLM 修订。通过iteration和previous_code是否为空可区分「生成」与「修订」两种模式。_log_and_print在verboseTrue时会将轮次、代码预览输出到 terminal同时写入goal_monitor.log。defgenerate_code_node(state:CodeAgentState)-CodeAgentState:根据需求与反馈生成或修订代码。use_casestate[use_case]goalsstate[goals]previous_codestate.get(current_code,)feedbackstate.get(feedback,)iterationstate.get(iteration,0)is_refinebool(previous_code)_log_and_print(state,f[generate_code] 第{iteration1}轮{修订ifis_refineelse生成}代码...,f\n 第{iteration1}轮{修订ifis_refineelse生成}代码 ,)prompt_generate_prompt(use_case,goals,previous_code,feedback)completion_client.chat.completions.create(model_llm_config.model,messages[{role:user,content:prompt}],temperature0.3,)rawcompletion.choices[0].message.contentorcode_clean_code_block(raw)state[current_code]code _log_and_print(state,f[generate_code] 本轮输出代码{len(code)}字符,f 代码预览\n{code[:300]}{...iflen(code)300else},)returnstate首轮时previous_code和feedback为空后续轮次会带上上一轮的代码和评审反馈驱动修订。4.2 get_feedback对代码进行评审该节点扮演「评审员」将当前代码与goals一起送入 LLM要求其逐项检查是否满足目标并指出需要改进之处如清晰度、正确性、边界情况等。输出为自然语言反馈写入state[feedback]供下一轮generate_code修订使用。temperature 设为 0.2 以保持评审结果相对稳定。defget_feedback_node(state:CodeAgentState)-CodeAgentState:对当前代码进行评审生成反馈。codestate[current_code]goalsstate[goals]iterationstate.get(iteration,0)_log_and_print(state,f[get_feedback] 第{iteration1}轮评审代码中...,f\n 评审中...,)prompt_get_code_feedback_prompt(code,goals)completion_client.chat.completions.create(model_llm_config.model,messages[{role:user,content:prompt}],temperature0.2,)feedbackcompletion.choices[0].message.contentorstate[feedback]feedback _log_and_print(state,f[get_feedback] 评审完成反馈长度{len(feedback)}字符,f 评审反馈{feedback[:200]}{...iflen(feedback)200else},)returnstate评审 prompt 会要求 LLM 对照goals逐项检查指出不足。4.3 check_goals_met判断目标是否满足该节点负责「达标判定」根据get_feedback的评审反馈再调用一次 LLM要求其仅回复True或False表示目标是否已全部满足。解析后写入state[goals_met]并递增state[iteration]。条件边_route_after_check会根据goals_met或iteration max_iterations决定走向save_code还是回到generate_code。temperature 设为 0 以尽量保证判定结果可复现。defcheck_goals_met_node(state:CodeAgentState)-CodeAgentState:根据评审反馈判断目标是否已满足。feedbackstate[feedback]goalsstate[goals]_log_and_print(state,[check_goals_met] 判断目标是否满足...,None)prompt_goals_met_prompt(feedback,goals)completion_client.chat.completions.create(model_llm_config.model,messages[{role:user,content:prompt}],temperature0.0,)response(completion.choices[0].message.contentor).strip().lower()goals_metresponsetruestate[goals_met]goals_met state[iteration]state.get(iteration,0)1itstate[iteration]ifgoals_met:_log_and_print(state,f[check_goals_met] 第{it}轮目标已满足停止迭代,f✅ 第{it}轮目标已满足停止迭代。,)else:_log_and_print(state,f[check_goals_met] 第{it}轮目标未完全满足继续修订,f 第{it}轮目标未完全满足继续修订...,)returnstate这里要求 LLM 只回复True或False便于解析和路由。4.4 save_code保存最终代码该节点在目标满足或达到最大迭代次数后执行为代码添加需求说明的头部注释根据use_case生成简短文件名_to_snake_case截取前 20 字符并附加随机后缀避免重名。输出保存至output/目录路径写入state[filepath]供调用方获取。若verboseTrue会打印保存路径到 terminal。defsave_code_node(state:CodeAgentState)-CodeAgentState:将最终代码保存到文件。codestate[current_code]use_casestate[use_case]code_with_header_add_header(code,use_case)short_name_to_snake_case(use_case)[:20]suffixstr(random.randint(1000,9999))filenamef{short_name}_{suffix}.pyfilepathPath.cwd()/output/filename filepath.parent.mkdir(parentsTrue,exist_okTrue)withopen(filepath,w,encodingutf-8)asf:f.write(code_with_header)state[filepath]str(filepath)_log_and_print(state,f[save_code] 代码已保存至{filepath},f 代码已保存至{filepath},)returnstate5. 交互入口命令行与 Notebook5.1 命令行cddemo_codes python main.py默认运行 Binary Gap 示例。可在main.py中修改use_case和goals测试其他需求。5.2 Notebookmain.ipynb提供非交互式演示同一需求 同一目标运行智能体直至结束并展示最终代码与保存路径。这里是一个例子use_case编写代码求给定正整数的 Binary Gap二进制表示中连续 0 的最大个数goals_str代码简单易懂, 功能正确, 处理边界情况, 仅接受正整数输入, 打印若干示例结果返回2026-03-20 11:44:55 [INFO] goal_monitor: [generate_code] 第 1 轮生成代码... Goal Setting and Monitoring 示例 需求编写代码求给定正整数的 Binary Gap二进制表示中连续 0 的最大个数 目标 - 代码简单易懂 - 功能正确 - 处理边界情况 - 仅接受正整数输入 - 打印若干示例结果 --- 运行智能体生成 → 评审 → 判断目标是否满足循环至多 5 轮--- 第 1 轮生成代码 2026-03-20 11:45:04 [INFO] goal_monitor: [generate_code] 本轮输出代码 834 字符 2026-03-20 11:45:04 [INFO] goal_monitor: [get_feedback] 第 1 轮评审代码中... 代码预览 def binary_gap(n): if n 0: raise ValueError(Input must be a positive integer) # Convert to binary and remove 0b prefix binary bin(n)[2:] # Find positions of 1s ones_positions [i for i, bit in enumerate(binary) if bit 1] # If less than 2 ... 评审中... 2026-03-20 11:46:39 [INFO] goal_monitor: [get_feedback] 评审完成反馈长度 5267 字符 2026-03-20 11:46:39 [INFO] goal_monitor: [check_goals_met] 判断目标是否满足... 评审反馈作为 Python 代码评审员我对该 binary_gap 实现进行逐项评审。整体来看**代码质量较高逻辑正确、结构清晰、边界处理得当基本满足所有目标**但仍存在几处可优化的细节尤其在**定义一致性、可读性、测试覆盖和文档**方面。以下是详细分析 --- ### ✅ **1. 代码简单易懂 —— 基本满足有小幅提升空间** - **优点** - 使用 bin(... [check_goals_met] 判断目标是否满足... 2026-03-20 11:46:40 [INFO] goal_monitor: [check_goals_met] 第 1 轮目标已满足停止迭代 2026-03-20 11:46:40 [INFO] goal_monitor: [save_code] 代码已保存至 ...\demo_codes\output\binary_gap_0_8957.py ✅ 第 1 轮目标已满足停止迭代。 代码已保存至...\demo_codes\output\binary_gap_0_8957.py6. 实践应用场景Goal Setting and Monitoring 适用于需要多步执行、动态调整、可靠达成目标的场景例如客户支持目标「解决用户账单问题」监控对话与数据库操作未解决则升级个性化学习目标「提升学生对代数的理解」监控练习正确率与完成时间调整教学内容项目管理目标「里程碑 X 在 Y 日前完成」监控任务状态与资源发现风险时提出纠正措施内容审核目标「识别并移除有害内容」监控分类结果与误报率调整过滤策略。理解要点这些场景的共同点是——有明确目标、有可观测的进展、需要根据监控结果做决策。7. 注意事项与改进方向本示例为教学演示生产环境需考虑LLM 自评的局限性同一模型既写代码又评审可能难以发现自身错误可引入独立的「评审 Agent」或真实测试用例目标理解的歧义LLM 可能误解目标或误判达标可细化目标描述、增加 Few-shot 示例无限循环风险本示例通过max_iterations限制轮次更复杂场景可增加超时、人工介入等机制。8. 小结如何在自己的 Agent 中落地 Goal Setting and Monitoring显式建模目标把「要做到什么」写进状态或 prompt而不是隐含在指令里专门的监控节点用独立节点执行评审、检查、指标计算条件边实现分支根据监控结果决定「继续 / 修订 / 升级」设置终止条件最大迭代次数、超时、人工确认等避免无限循环。当你把这四步跑通后再扩展到更复杂的多 Agent、多工具、多目标场景就会发现方法论是一致的——目标清晰、监控到位、反馈驱动决策。