SWE-Agent：LangGraph 驱动的 AI 软件工程多智能体系统

背景：2024 年底，OpenAI 推出 SWE-agent 项目证明了 AI 可以像软件工程师一样自主完成代码任务。langtalks/swe-agent 则在此基础上引入 LangGraph 工作流框架，让 AI 软件工程师的推理过程更加可视化、可控化。

🌟 项目概述

langtalks/swe-agent 是一个基于 LangGraph 的多智能体软件工程自动化框架，由两个核心 Agent 组成：**Architect Agent（架构师）**负责理解需求、研究代码库、制定实施计划；**Developer Agent（开发者）**负责按计划执行代码修改。两个 Agent 通过状态图（StateGraph）串联，形成「规划→执行」的闭环工作流。 该项目由 langtalks 团队开发，采用 MIT 许可证，Python 3.12+ 要求，当前为 Alpha 阶段。

图1：SWE-Agent 整体架构 —— Architect Agent 与 Developer Agent 协同工作流

🏗️ 核心架构

双 Agent 分层设计

整个系统围绕 LangGraph 的 StateGraph 构建，主图包含三个节点：

1. swe_architect：负责研究-计划循环
2. swe_developer：负责执行-反馈循环
3. START → swe_architect → swe_developer → END：线性编排 状态（State）通过 Pydantic 模型定义，Architect 和 Developer 各有独立的状态空间，通过 ImplementationPlan 数据结构传递任务计划。这种设计确保了两个 Agent 的关注点严格分离：Architect 不碰代码，Developer 只管实现。

Architect Agent 工作流

Architect Agent 内部采用递归研究循环：

研究假设生成 → 研究有效性评估 → 条件路由

当评估结果为「研究有效」时，继续深入研究；评估为「研究无效」时，跳转到实施计划生成阶段。这种自我反思机制避免了无意义的重复搜索，显著提升了研究效率。

Developer Agent 工作流

Developer Agent 采用 diff-match-patch 算法进行精确的代码修改：

解析实施计划 → 提取 Diff 任务 → 原子化执行 → 验证反馈

每个修改任务（DiffTask）包含 original_code_snippet（原始代码片段）和 task_description（修改描述），Developer Agent 依据这两项信息精确执行替换，而非依赖模糊的自然语言指令。这种设计大幅提升了代码修改的准确率和可复现性。

🛠️ 工具生态

SWE-Agent 内置了三大类工具，均通过 LangChain @tool 装饰器注册为可调用工具：

📦 技术栈

🚀 部署与运行

环境要求

• Python 3.12+
• Anthropic API Key（Claude 访问凭证）
• 可选：LangSmith API Key（用于追踪和调试 LangGraph 执行过程）

快速启动

git clone https://github.com/langtalks/swe-agent.git
cd swe-agent
uv sync --dev
cp .env.example .env
# 编辑 .env 填入 ANTHROPIC_API_KEY
source .venv/bin/activate
uv run pytest  # 验证安装
uv run langgraph dev  # 启动开发服务器

运行后，LangGraph CLI 会启动一个本地开发服务器，可通过浏览器访问可视化工作流图，观察 Architect 和 Developer Agent 的执行状态。

LangGraph 调试模式

仓库内置了 langgraph_debug.py，支持独立运行 swe_architect 和 swe_developer 进行单独调试。这是 Alpha 阶段开发的重要工具，方便贡献者针对单一 Agent 进行单元测试和 Prompt 优化。

🎯 适用场景

1. 自动化代码审查与修复：输入一个问题描述，Agent 自动搜索相关代码、制定修复计划、执行修改。
2. 新功能实现助手：给定需求文档，Architect 研究现有代码结构，Developer 按计划实现新功能。
3. 代码库理解与导航：通过 Tree-sitter 解析和全文搜索，快速理解陌生代码库的结构。
4. 持续集成中的 AI 审查：作为 CI 流水线的一环，对 PR 进行自动化审查和建议。

⚠️ 当前局限

• Alpha 阶段：API 和内部架构仍在快速迭代，不适合生产环境直接使用。
• 仅支持 4 种语言：Python、JavaScript、JSX、TypeScript，暂不支持 Java/Go/Rust 等主流后端语言。
• 无 Web UI：目前仅支持命令行交互，缺少友好的可视化操作界面。
• 依赖外部 LLM：所有推理能力来自 Claude API，需要稳定的网络连接和 API 凭证。
• 无测试集基准：缺少类似 SWE-bench 的标准化测试集，性能评估依赖人工测试。

🌍 行业意义

langtalks/swe-agent 代表了 AI 软件工程的一个新方向：将多智能体协作引入代码自动化。在此之前，大多数 AI 编程工具（如 GitHub Copilot）都是单一 Agent 模式——用户提问，AI 回答。SWE-Agent 则让多个 AI Agent 扮演不同角色，形成分工协作的智能体网络。 这种架构的灵感来自真实软件工程团队：架构师负责思考，开发者负责实现。LangGraph 的状态图机制使得这种分工不仅体现在 Prompt 设计层面，更落实到了代码层面的状态管理和路由控制。这为未来更复杂的 AI 工程团队奠定了基础。