LangGraph 多 Agent 协作：Coder + Auditor Code Review 系统

项目背景

在 BigGraph RAG 平台的开发过程中，我尝试引入 AI Agent 来辅助代码生成。但单个 Agent 容易出现"幻觉代码"——写出来但不经过验证就提交。受 Code Review 流程启发，我设计了Coder + Auditor 双 Agent 协作系统：Coder 负责写代码，Auditor 负责审查，两者通过 LangGraph 图结构串联。

LangGraph 图设计

LangGraph 的核心思想是将 Agent 执行流程建模为有向图，节点是操作，边是转换条件：

from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    messages: list           # 消息历史
    code: str               # 当前代码
    review_result: str      # 审查结果
    iteration: int          # 迭代次数

graph = StateGraph(AgentState)

# 定义节点
graph.add_node("coder", code_generator)
graph.add_node("auditor", code_reviewer)

# 定义条件边
graph.add_conditional_edges(
    "coder",
    decide_next_step,  # 条件函数
    {
        "review": "auditor",
        "rewrite": "coder",
        END: END,
    }
)

graph.set_entry_point("coder")
app = graph.compile()

工作流程

Coder 编写代码 → Auditor 审查 → 
  ├─ 通过 → 结束
  └─ 发现问题 → Coder 修改 → Auditor 再次审查（循环，最多 3 次）

节点实现

Coder 节点：接收任务描述，调用 LLM 生成代码，输出到 state["code"]。

Auditor 节点：审查代码质量（正确性、安全性、性能、代码风格），输出审查意见。

条件函数 decide_next_step：根据审计结果决定走哪条边。

核心难点：状态管理

LangGraph 通过共享状态（StateGraph 的泛型参数）在节点间传递数据。我的状态设计包含：

• messages：完整的对话历史，用于 LLM 上下文
• code：当前代码快照
• review_result：审计意见
• iteration：循环次数计数器

关键：状态是可变的，下游节点可以看到上游节点的输出。这让协作流程中的信息传递非常自然。

实际效果

在 BigGraph 的代码生成场景中，双 Agent 协作比单 Agent 生成的代码质量有明显提升：

• Auditor 发现的主要问题类型：缺少异常处理、边界条件遗漏、命名不规范
• 平均迭代 1.5 次后代码通过审查
• 超过 3 次仍不通过的场景通常是需求描述不清晰

与 ReAct 的对比

之前用 LangChain 的 ReAct（Reason + Act）循环实现 Agent——每次循环思考-行动-观察。LangGraph 图结构的优势：

特性	ReAct	LangGraph
分支逻辑	线性循环	条件分支、并行
状态可见性	隐式	显式共享
复杂流程	笨重	自然表达
调试	日志难追踪	节点级可追踪

LangGraph 适合需要多角色协作、条件分支、循环控制的 Agent 场景。比简单的 LLM 调用链更强大，但设计复杂度也更高。