智能体需具备明确目标感与进度追踪能力，才能高效达成结果。目标设定与监控模式的核心是：为智能体设定具体目标，赋予其生成计划、追踪进度、判断目标是否达成的能力，而非仅停留在信息处理或工具调用层面。
模式概述
智能体的"规划"本质是根据高层目标生成中间步骤/子目标，结合工具使用、流程编排等完成复杂任务。优秀的规划能力让智能体可应对非单步问题、适应动态变化、编排复杂工作流，从响应式系统升级为主动达成目标的系统（类似旅行规划：明确目的地→出发点→分步执行→动态调整）。
核心应用场景
- 客户支持自动化：目标"解决客户账单问题"，监控对话、查询数据、调整账单，通过客户反馈判断是否成功。
- 个性化学习系统：目标"提升学生代数理解"，跟踪练习进度、准确率，动态调整教学策略。
- 项目管理助手：目标"确保里程碑X按时完成"，监控任务状态、资源情况，及时预警延误。
- 自动化交易机器人：目标"风险可控下最大化收益"，监控市场数据、风险指标，自动执行交易。
- 自动驾驶：目标"安全从A地到B地"，实时监控环境、自身状态，动态调整驾驶行为。
- 内容审核：目标"移除有害内容"，监控新内容、跟踪误判率，调整过滤标准或升级人工审核。
实战代码示例（LangChain + OpenAI）
功能说明
智能体自主迭代生成Python代码，核心流程：接收编程需求+质量目标→生成代码→评估→优化，循环至目标达成（最多5次迭代），最终输出带注释的可执行文件。
依赖安装
bash
pip install langchain_openai openai python-dotenv创建.env文件，配置：OPENAI_API_KEY=你的API密钥
核心代码
python
# MIT License
# Copyright (c) 2025 Mahtab Syed
"""
目标设定与监控模式实战：AI代码生成智能体
功能：
- 接收编程需求（use_case）和质量目标（goals）
- 迭代生成、评估、优化Python代码（最多5次迭代）
- 目标达成判断：LLM仅返回True/False
- 最终保存带注释的可执行.py文件
"""
import os
import random
import re
from pathlib import Path
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv, find_dotenv
# 加载环境变量
_ = load_dotenv(find_dotenv())
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
if not OPENAI_API_KEY:
raise EnvironmentError("请设置OPENAI_API_KEY环境变量")
# 初始化LLM
llm = ChatOpenAI(
model="gpt-4o", # 无访问权限可替换为其他OpenAI模型
temperature=0.3,
openai_api_key=OPENAI_API_KEY,
)
# 工具函数
def generate_prompt(use_case: str, goals: list[str], previous_code: str = "", feedback: str = "") -> str:
"""生成代码生成/优化的提示词"""
base_prompt = f"""
你是AI编程助手，根据以下需求编写Python代码：
用例：{use_case}
目标：
{chr(10).join(f"‑ {g.strip()}" for g in goals)}
"""
if previous_code:
base_prompt += f"\n之前生成的代码：\n{previous_code}"
if feedback:
base_prompt += f"\n反馈意见：\n{feedback}\n"
base_prompt += "\n仅返回修改后的Python代码，不要额外注释或解释"
return base_prompt
def get_code_feedback(code: str, goals: list[str]) -> str:
"""评估代码是否满足目标，生成反馈"""
feedback_prompt = f"""
你是Python代码评审员，根据以下目标评估代码：
{chr(10).join(f"‑ {g.strip()}" for g in goals)}
代码：
{code}
请指出是否满足目标，需改进的点（清晰度、简洁性、正确性、边界处理、测试覆盖等）
"""
return llm.invoke(feedback_prompt)
def goals_met(feedback_text: str, goals: list[str]) -> bool:
"""根据反馈判断目标是否达成（返回True/False）"""
review_prompt = f"""
目标：
{chr(10).join(f"‑ {g.strip()}" for g in goals)}
代码反馈：
\"\"\"{feedback_text}\"\"\"
基于以上反馈，目标是否全部达成？仅返回True或False
"""
response = llm.invoke(review_prompt).content.strip().lower()
return response == "true"
def clean_code_block(code: str) -> str:
"""清理代码块（去除```标记）"""
lines = code.strip().splitlines()
if lines and lines[0].strip().startswith("```"):
lines = lines[1:]
if lines and lines[-1].strip() == "```":
lines = lines[:-1]
return "\n".join(lines).strip()
def add_comment_header(code: str, use_case: str) -> str:
"""为代码添加头部注释"""
comment = f"# 功能：实现以下用例\n# {use_case.strip()}\n"
return comment + "\n" + code
def save_code_to_file(code: str, use_case: str) -> str:
"""保存代码到文件（生成简洁文件名）"""
# 生成简短文件名
summary_prompt = f"用1个单词（不超过10字符）概括用例，用于文件名：\n{use_case}"
raw_summary = llm.invoke(summary_prompt).content.strip()
short_name = re.sub(r"[^a-zA-Z0-9_]", "", raw_summary.replace(" ", "_").lower())[:10]
filename = f"{short_name}_{random.randint(1000, 9999)}.py"
filepath = Path.cwd() / filename
with open(filepath, "w") as f:
f.write(code)
print(f"代码已保存至：{filepath}")
return str(filepath)
# 主智能体函数
def run_code_agent(use_case: str, goals_input: str, max_iterations: int = 5) -> str:
"""运行代码生成智能体"""
goals = [g.strip() for g in goals_input.split(",")]
print(f"\n用例：{use_case}")
print("目标：")
for g in goals:
print(f" - {g}")
previous_code = ""
feedback = ""
for i in range(max_iterations):
print(f"\n=== 迭代 {i + 1}/{max_iterations} ===")
# 生成/优化代码
prompt = generate_prompt(use_case, goals, previous_code, feedback.content if isinstance(feedback, dict) else feedback)
code_response = llm.invoke(prompt)
code = clean_code_block(code_response.content.strip())
print(f"\n生成的代码：\n{'='*50}\n{code}\n{'='*50}")
# 评估代码
feedback = get_code_feedback(code, goals)
feedback_text = feedback.content.strip()
print(f"\n反馈意见：\n{'='*50}\n{feedback_text}\n{'='*50}")
# 判断是否达成目标
if goals_met(feedback_text, goals):
print("目标已全部达成，停止迭代")
break
print("目标未达成，准备下一轮优化")
previous_code = code
# 保存最终代码
final_code = add_comment_header(code, use_case)
return save_code_to_file(final_code, use_case)
# 测试运行
if __name__ == "__main__":
print("AI代码生成智能体启动")
# 示例1：计算二进制间隙
use_case_input = "编写代码计算给定正整数的二进制间隙（BinaryGap）"
goals_input = "代码简洁易懂, 功能正确, 处理所有边界情况, 仅接收正整数输入, 附带示例打印结果"
run_code_agent(use_case_input, goals_input)
# 示例2：统计目录及子目录文件数（按需启用）
# use_case_input = "统计当前目录及所有子目录的文件总数并打印"
# goals_input = "代码简洁易懂, 功能正确, 处理边界情况, 忽略性能优化建议, 不使用unittest/pytest"
# run_code_agent(use_case_input, goals_input)
# 示例3：统计Word文档字数/字符数（按需启用）
# use_case_input = "接收命令行输入的Word文档（doc/docx），统计字数和字符数并打印"
# goals_input = "代码简洁易懂, 功能正确, 处理边界情况"
# run_code_agent(use_case_input, goals_input)核心流程
- 目标输入：用户提供编程需求（use_case）和质量目标（如"简洁易懂""处理边界情况"）。
- 迭代循环：
- 生成代码：基于需求和历史反馈生成/优化代码。
- 自我评审：评估代码是否满足所有目标，生成反馈。
- 目标判断：LLM判定是否达成目标（True/False）。
- 优化迭代：未达成则基于反馈修正代码，重复循环（最多5次）。
- 结果输出：目标达成后，保存带注释的可执行代码文件。
注意事项
- 本示例为原理演示，非生产级代码，需人工验证最终代码可用性。
- 单一LLM同时负责生成和评审，可能存在判断偏差，建议生产环境采用多智能体分工（编程、评审、测试分离）。
- 存在无限循环风险，需通过
max_iterations限制迭代次数。 - LLM可能产生"幻觉"，需结合人工测试确保代码正确性。