基于LangGraph的Lingxi Agent：GitHub问题自动修复神器

本文详细介绍了基于LangGraph框架的Lingxi Agent项目，这是一个用于自动解决GitHub问题的智能代理系统。文章提供了完整的本地安装和环境配置指南，并深入解析了项目架构，包括输入处理节点、监督者路由、问题解码器、解决方案映射器和问题解决器等核心组件。通过这个系统，用户可以实现GitHub问题的自动化分析、诊断和修复，大大提高开发效率。

Lingxi agent， 一个没怎么宣传的agent， 但是看到他的框架基于langgraph来做的，就凭这一点，我觉得应该要看看。

一、 本地安装

先安装下

git clone https://github.com/nimasteryang/Lingxi
cd Lingxi
uv pip install -e .

配置下env环境需要的key， 这里需要注意一点， 因为国内多数是没有openai使用的， 当换成deepseek 的时候，需要把OPENAI_API_KEY=your_openai_api_key_here ，这里是因为会用到embedding模型，设置成your_openai_api_key_here就会使用本地模型

# 检查是否配置了 OpenAI API Key，如果没有则使用默认的嵌入模型
if "OPENAI_API_KEY" in os.environ and os.environ["OPENAI_API_KEY"] != "your_openai_api_key_here":    
    EMBEDDING_FUNCTION = OpenAIEmbeddings(  ),        
esle:
   就会使用本地模型 

环境env

# GitHub API Token github申请的 
GITHUB_TOKEN=ghp_17nOR2rH5ZT
# LLM Configuration  
LLM_PROVIDER=deepseek  
LLM_MODEL=deepseek-chat  
DEEPSEEK_API_KEY=sk-530a1eb21a224eb
# LangSmith Configuration  
LANGSMITH_API_KEY=lsv2_pt_4e94aa4307c79
LANGSMITH_PROJECT=lingxi-project  
# OpenAI API Key for embedding  
OPENAI_API_KEY=your_openai_api_key_here  
# Debug Mode  
DEBUG_MODE=true 

运行启动

uv run --env-file.env langgraph dev --no-reload

会看到启动信息

访问上面 studio ui , 这里很重要，最好使用 谷歌浏览器，其他浏览器出现问题还得再额外解决

登录看到下面的界面， 下拉可以选择运行哪个graph，因为工程里面有两个图，一个基础的issue_resolve_graph 一个升级的

输入以下message

开始运行，结束后可以看到每一步的情况，以及时间，很方便

二、 工程图解析

langgraph 看着图来解析可以

2.1 input_handler_node

节点负责把issue的内容获取到

2.2 supervisor_node 监督者

• 智能路由：基于对话历史和当前状态，决定下一步执行哪个智能体

• 结构化决策：使用Router TypedDict确保输出格式一致

• 人工干预控制：根据配置决定是否需要人工审核

• 状态追踪：记录上一个执行的智能体，支持重新执行

2.3 问题解码器 (Problem Decoder Node)

问题理解：将GitHub问题转化为结构化的问题陈述

• 代码库探索：识别与问题相关的文件和代码

• 行为分析：分析当前行为 vs 期望行为

• 根因分析：定位问题的根本原因

核心任务（提示词）：

你是一个问题解码器。你应该遵循监督者提供的指导或反馈。你的任务是提炼问题描述并生成问题陈述。你应该完成以下三个任务：
1. 生成主题问题。
2. 生成代码库表示。
3. 生成代码库的当前行为。
4. 生成代码库的预期行为。

可用工具：

• view_directory - 查看目录结构

• search_relevant_files - 搜索相关文件

• view_file_content - 查看文件内容

2.4 解决方案映射器 (Solution Mapper) 📋 方案规划师

职责：

• 代码探索：深入理解相关文件和函数的语义

• 方案设计：基于问题分析生成详细的代码变更计划

• 重现脚本：创建 reproduction.py 验证问题

• 变更策略：遵循最小可行变更原则

工作流程：

你是一个解决方案映射器。你应该完成以下两个任务：
1. 根据问题解码器的结果，你的任务是浏览与问题相关的相关文件和函数。要做到这一点，你应该首先理解文件及其语义，然后理解提议的解决方案。
2. 然后，从当前状态和预期状态出发，推理并为每个相关文件/函数生成详细的代码更改计划。

可用工具：

• view_directory - 查看目录结构

• search_relevant_files - 搜索相关文件

• view_file_content - 查看文件内容

输出格式： 以文件路径为key，变更计划为value的结构化计划

2.5 问题解决器 (Problem Solver) 🔧 代码实施者

职责：

• 代码实现：根据solution_mapper的计划执行实际的代码修改

• 最小化变更：只进行必要的代码修改，保持代码风格一致

• 验证测试：运行重现脚本验证修复效果

• 生成补丁：自动生成git diff显示代码变更

工作阶段：

你是一个程序员。请根据以下<code_change_plan>标签中包装的代码更改计划编辑代码库中的文件。
你可以使用以下两个工具：
- view_directory
- str_replace_editor

特殊功能： 自动调用 save_git_diff() 生成代码变更摘要

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方优快云官方认证二维码，免费领取【保证100%免费】