第4篇：Vibe Coding时代：LangChain RAG + LangGraph 实战，让 Coding Agent 读懂项目文档再写代码

第4篇：Vibe Coding时代：LangChain RAG + LangGraph 实战，让 Coding Agent 读懂项目文档再写代码

一、问题场景：Agent 生成的代码能跑，但完全不符合项目规范

有一次我让 Coding Agent 给一个老项目生成用户模块接口。

它生成的代码语法没问题，FastAPI 也能跑。

但是一看就知道不能合并：

• 路由命名不符合项目规范
• 响应结构不统一
• 错误码和项目约定不一致
• 数据库模型字段对不上
• 鉴权方式也写错了

这不是模型不会写代码，而是它缺少项目上下文。

真实开发不是从零开始。

一个项目通常已经有：

• README
• API 规范
• 数据库设计文档
• 错误码约定
• 目录结构规范
• 历史代码风格
• 权限设计说明

如果 Agent 不读取这些资料，只根据用户一句话生成代码，结果大概率只能当 Demo。

本文要解决的问题是：

如何用 LangChain RAG + LangGraph，让 Coding Agent 先检索项目知识，再生成符合项目规范的代码。

二、方案总览

流程如下：

用户需求 ↓ 检索项目文档 ↓ 整理上下文 ↓ 生成代码 ↓ 审查代码是否符合上下文 ↓ 输出结果

核心思想：

代码生成前先查资料，不要让模型凭空写。

三、项目结构

vibe-agent-rag/ ├── app.py ├── graph.py ├── state.py ├── rag.py ├── chains.py ├── docs/ │ ├── api.md │ ├── style.md │ └── auth.md └── requirements.txt

四、安装依赖

创建requirements.txt：

langchain langchain-openai langgraph langchain-community faiss-cpu python-dotenv

安装：

pipinstall-rrequirements.txt

五、准备项目文档

创建docs/api.md：

# API 响应规范 所有接口返回格式必须为： { "code": 0, "message": "success", "data": {} } 失败时： { "code": 业务错误码, "message": "错误信息", "data": null }

创建docs/auth.md：

# 鉴权规范 系统使用 JWT 鉴权。 登录接口返回 access_token。 需要登录的接口必须从 Authorization Header 中读取 Bearer Token。

创建docs/style.md：

# 代码风格 项目使用 FastAPI。 路由统一放在 routers 目录。 请求模型统一放在 schemas 目录。 业务逻辑统一放在 services 目录。

六、构建 RAG 检索模块

创建rag.py：

frompathlibimportPathfromlangchain_community.vectorstoresimportFAISSfromlangchain_community.document_loadersimportTextLoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_openaiimportOpenAIEmbeddings DOCS_DIR=Path(__file__).parent/"docs"INDEX_DIR=Path(__file__).parent/"faiss_index"defload_documents():documents=[]forfile_pathinDOCS_DIR.glob("*.md"):loader=TextLoader(str(file_path),encoding="utf-8")documents.extend(loader.load())returndocumentsdefbuild_vectorstore():documents=load_documents()splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=80,)chunks=splitter.split_documents(documents)embeddings=OpenAIEmbeddings()vectorstore=FAISS.from_documents(chunks,embeddings)vectorstore.save_local(str(INDEX_DIR))returnvectorstoredefload_vectorstore():embeddings=OpenAIEmbeddings()ifnotINDEX_DIR.exists():returnbuild_vectorstore()returnFAISS.load_local(str(INDEX_DIR),embeddings,allow_dangerous_deserialization=True,)defretrieve_context(query:str,k:int=4)->str:vectorstore=load_vectorstore()docs=vectorstore.similarity_search(query,k=k)context_parts=[]fordocindocs:source=doc.metadata.get("source","")context_parts.append(f"来源：{source}\n内容：{doc.page_content}")return"\n\n---\n\n".join(context_parts)

七、定义 State

创建state.py：

fromtypingimportTypedDict,ListclassRagCodingState(TypedDict):user_requirement:strretrieved_context:strgenerated_code:strreview_result:strerrors:List[str]final_answer:str

八、封装代码生成 Chain

创建chains.py：

fromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParser llm=ChatOpenAI(model="gpt-4o-mini",temperature=0.2)parser=StrOutputParser()defgenerate_code_with_context(requirement:str,context:str)->str:prompt=ChatPromptTemplate.from_messages([("system","你是一名资深后端工程师。""你必须严格依据项目上下文生成代码，不能自行编造项目规范。"),("user",""" 用户需求： {requirement} 项目上下文： {context} 请生成符合项目规范的代码，并说明文件结构。 """)])chain=prompt|llm|parserreturnchain.invoke({"requirement":requirement,"context":context,})defreview_code_with_context(requirement:str,context:str,code:str)->str:prompt=ChatPromptTemplate.from_messages([("system","你是一名严格的代码审查工程师。""请检查代码是否符合项目上下文。"),("user",""" 用户需求： {requirement} 项目上下文： {context} 生成代码： {code} 请审查： 1. 是否满足用户需求 2. 是否符合 API 响应规范 3. 是否符合鉴权规范 4. 是否符合目录结构规范 5. 是否存在明显问题 通过输出 APPROVED。 不通过输出 REJECTED，并给出原因。 """)])chain=prompt|llm|parserreturnchain.invoke({"requirement":requirement,"context":context,"code":code,})

九、构建 LangGraph

创建graph.py：

fromlanggraph.graphimportStateGraph,ENDfromstateimportRagCodingStatefromragimportretrieve_contextfromchainsimportgenerate_code_with_context,review_code_with_contextdefretrieve_node(state:RagCodingState)->RagCodingState:try:context=retrieve_context(state["user_requirement"])state["retrieved_context"]=contextexceptExceptionase:state["errors"].append(f"检索失败：{str(e)}")returnstatedefgenerate_node(state:RagCodingState)->RagCodingState:try:code=generate_code_with_context(requirement=state["user_requirement"],context=state["retrieved_context"],)state["generated_code"]=codeexceptExceptionase:state["errors"].append(f"代码生成失败：{str(e)}")returnstatedefreview_node(state:RagCodingState)->RagCodingState:try:review=review_code_with_context(requirement=state["user_requirement"],context=state["retrieved_context"],code=state["generated_code"],)state["review_result"]=reviewexceptExceptionase:state["errors"].append(f"代码审查失败：{str(e)}")returnstatedeffinal_node(state:RagCodingState)->RagCodingState:state["final_answer"]=("## 检索到的项目上下文\n\n"f"{state['retrieved_context']}\n\n""## 生成代码\n\n"f"{state['generated_code']}\n\n""## 审查结果\n\n"f"{state['review_result']}\n\n""## 错误信息\n\n"f"{state['errors']}")returnstatedefbuild_graph():graph=StateGraph(RagCodingState)graph.add_node("retrieve",retrieve_node)graph.add_node("generate",generate_node)graph.add_node("review",review_node)graph.add_node("final",final_node)graph.set_entry_point("retrieve")graph.add_edge("retrieve","generate")graph.add_edge("generate","review")graph.add_edge("review","final")graph.add_edge("final",END)returngraph.compile()

十、运行入口

创建app.py：

fromgraphimportbuild_graphdefmain():app=build_graph()state={"user_requirement":"请生成一个登录接口，成功后返回 token","retrieved_context":"","generated_code":"","review_result":"","errors":[],"final_answer":"",}result=app.invoke(state)print(result["final_answer"])if__name__=="__main__":main()

运行：

python app.py

十一、验证结果

你应该能看到生成代码里包含这些项目规范：

routers 目录 schemas 目录 services 目录 JWT access_token 统一响应结构 code/message/data

如果没有 RAG，模型可能会直接写：

return{"token":token}

但有了项目上下文后，应该更接近：

return{"code":0,"message":"success","data":{"access_token":token}}

这就是 RAG 对 Coding Agent 的价值。

十二、踩坑记录：RAG 不是把所有文档都塞进 Prompt

很多人做 RAG 的第一版是：

context=read_all_docs()prompt=f"{context}\n\n{user_requirement}"

短文档还能跑，文档一多就会出现：

• Prompt 过长
• 成本增加
• 上下文噪声太多
• 模型抓不到重点
• 响应变慢

正确做法是：

用户需求 → 向量检索 → 只拿相关片段 → 放入 Prompt

十三、踩坑记录：chunk_size 不是越大越好

如果 chunk 太大：

chunk_size=3000

一个 chunk 里面会混入很多无关内容。

如果 chunk 太小：

chunk_size=100

上下文又可能不完整。

文档规范类内容，建议从：

chunk_size=500chunk_overlap=80

开始调。

十四、适合收藏：RAG 接入检查表

1. 文档是否是最新版本？ 2. 是否按文件来源保留 metadata？ 3. chunk_size 是否合理？ 4. chunk_overlap 是否合理？ 5. 检索结果是否真的相关？ 6. Prompt 是否要求严格依据上下文？ 7. 代码审查是否检查上下文一致性？ 8. 是否有无上下文时的降级策略？ 9. 是否记录检索片段？ 10. 是否避免把全部文档塞入 Prompt？

十五、避坑清单

十六、总结

这一篇我们解决了 Coding Agent 的上下文问题。

真实项目里，AI 不能只会写通用代码，而要读懂项目已有规范。

RAG 的作用不是让回答看起来更长，而是让 Agent：

• 知道项目目录结构
• 知道接口规范
• 知道鉴权方式
• 知道错误码约定
• 知道历史代码风格

我的建议是：

只要 Coding Agent 面向真实项目，就应该尽早接入 RAG。

否则生成的代码越多，后期人工返工越多。