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 Setting；Monitoring；LangGraph；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.py）：

class CodeAgentState(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：

def build_code_agent(max_iterations: int = 5):
    """
    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)
    """
    graph = StateGraph(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",
        lambda s: _route_after_check(s, max_iterations),
        {"save": "save_code", "refine": "generate_code"},
    )
    graph.add_edge("save_code", END)

    return graph

请添加图片描述

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 verbose=True 时会将轮次、代码预览输出到 terminal，同时写入 goal_monitor.log。

def generate_code_node(state: CodeAgentState) -> CodeAgentState:
    """根据需求与反馈生成或修订代码。"""
    use_case = state["use_case"]
    goals = state["goals"]
    previous_code = state.get("current_code", "")
    feedback = state.get("feedback", "")
    iteration = state.get("iteration", 0)
    is_refine = bool(previous_code)

    _log_and_print(
        state,
        f"[generate_code] 第 {iteration + 1} 轮：{'修订' if is_refine else '生成'}代码...",
        f"\n=== 🔁 第 {iteration + 1} 轮：{'修订' if is_refine else '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}],
        temperature=0.3,
    )
    raw = completion.choices[0].message.content or ""
    code = _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]}{'...' if len(code) > 300 else ''}",
    )
    return state

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。

def get_feedback_node(state: CodeAgentState) -> CodeAgentState:
    """对当前代码进行评审，生成反馈。"""
    code = state["current_code"]
    goals = state["goals"]
    iteration = state.get("iteration", 0)

    _log_and_print(
        state,
        f"[get_feedback] 第 {iteration + 1} 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}],
        temperature=0.2,
    )
    feedback = completion.choices[0].message.content or ""

    state["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]}{'...' if len(feedback) > 200 else ''}",
    )
    return state

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。

def check_goals_met_node(state: CodeAgentState) -> CodeAgentState:
    """根据评审反馈判断目标是否已满足。"""
    feedback = state["feedback"]
    goals = state["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}],
        temperature=0.0,
    )
    response = (completion.choices[0].message.content or "").strip().lower()
    goals_met = response == "true"

    state["goals_met"] = goals_met
    state["iteration"] = state.get("iteration", 0) + 1
    it = state["iteration"]

    if goals_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...",
        )
    return state

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 verbose=True，会打印保存路径到 terminal。

def save_code_node(state: CodeAgentState) -> CodeAgentState:
    """将最终代码保存到文件。"""
    code = state["current_code"]
    use_case = state["use_case"]

    code_with_header = _add_header(code, use_case)
    short_name = _to_snake_case(use_case)[:20]
    suffix = str(random.randint(1000, 9999))
    filename = f"{short_name}_{suffix}.py"
    filepath = Path.cwd() / "output" / filename
    filepath.parent.mkdir(parents=True, exist_ok=True)

    with open(filepath, "w", encoding="utf-8") as f:
        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}",
    )
    return state

5. 交互入口：命令行与 Notebook

5.1 命令行
cd demo_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 Notebook

main.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.py

6. 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：

  1. 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；
  2. 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；
  3. 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

  1. 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；
  2. 专门的监控节点：用独立节点执行评审、检查、指标计算；
  3. 条件边实现分支：根据监控结果决定「继续 / 修订 / 升级」；
  4. 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。

# 人工智能 # 语言模型
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

论文查重 + AIGC 检测双保障：Paperzz 一站式学术合规工具，让毕业检测零焦虑

avatar 2048 AI社区
cover

用魔法打败魔法！2026最新测评：DeepSeek四大免费降AI指令叠加3款工具，硬生生把90%压到10%

avatar 2048 AI社区
cover

2026 本科论文查重工具终极榜单：9 大双检神器，零成本通关重复率 + AI 率双红线

avatar 2048 AI社区