如何利用 LangGraph 构建具有自我修正能力的自动化代码 Review Agent

把 LangGraph 的状态机机制引入 Code Review，最核心的突破点在于将「检查-反馈-修复」这个循环从简单的 Prompt 串联变成了可定义的图拓扑结构。传统的单次 LLM Review 经常出现“指出问题但修复后引入新 Bug”的死循环，用 LangGraph 搭建一个带有 Conditional Edge（条件边）的闭环，可以让 Agent 在代码真正通过静态检查或测试用例前，绝不退出循环。

我的实现逻辑是构建三个节点：Reviewer（审查员）、Coder（修复员）和 Verifier（验证员）。

关键配置：状态定义
首先定义一个 AgentState，用来追踪当前代码版本、错误列表以及循环次数，防止死循环。

from typing import Annotated, TypedDict, List
from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    code: str
    critiques: List[str]
    iteration_count: int
    is_fixed: bool

避坑指南：如何写好 Reviewer 的 Prompt
很多人的 Review Agent 说话太客气，导致 Coder 节点产生幻觉。我发现强制要求 Reviewer 输出「结构化错误列表」效果最好。

# Prompt 技巧
你是一个极其苛刻的代码审计专家。
请仅输出以下格式，不要任何废话：
- ERROR: [行号] [错误类型] -> [具体原因]
- SUGGESTION: [行号] [优化点] -> [改进方案]
如果代码完美，请仅输出 "PASS"。

核心逻辑：条件跳转
最关键的操作是在 Verifier 节点后设置条件边。我在这里接入了 pytest 或 pylint 的命令行输出，而不是让 LLM 自行判断是否修复。

def should_continue(state: AgentState):
    # 如果验证通过，或者循环超过 3 次，则强制结束
    if state["is_fixed"] or state["iteration_count"] >= 3:
        return "end"
    return "continue"

# 构建图
workflow = StateGraph(AgentState)
workflow.add_node("reviewer", review_node)
workflow.add_node("coder", fix_node)
workflow.add_node("verifier", verify_node)

workflow.set_entry_point("reviewer")
workflow.add_edge("reviewer", "coder")
workflow.add_edge("coder", "verifier")
workflow.add_conditional_edges("verifier", should_continue, {
    "continue": "reviewer", 
    "end": END
})

效率提升点：上下文压缩
在多次迭代后，Token 消耗会剧增。我踩过的一个坑是把所有历史对话都传给 Coder，导致它在第三次修复时忘记了第一次的原始需求。现在的技巧是：在 coder 节点只接收 current_code 和 latest_critique，把历史记录在 state 中通过 reduce 函数进行精简，只保留未解决的 Bug 列表。

这样构建出来的 Agent 能够独立完成「发现 Bug -> 尝试修复 -> 运行测试 -> 再次审计」的全过程，比单纯在 Cursor 里来回对话要稳定得多，因为逻辑流是确定性的。