在软件开发领域，代码生成工具正逐渐成为开发者和测试工程师的得力助手。今天，我们来深入聊聊一款颇具潜力的工具——langgraph，并探讨如何使用它生成FastAPI代码，以及这对测试工程师意味着什么。

一、langgraph是什么？

langgraph是一款基于图结构的代码生成工具，它以独特的方式将代码生成过程抽象为节点和边组成的图形，让代码生成逻辑变得更加清晰直观。它主要包含几个关键模块：StateGraph、节点函数和边定义。StateGraph是整个工具的核心，它负责管理代码生成过程中的状态和流程；节点函数则定义了在特定状态下生成代码的具体逻辑；边则连接不同的节点，明确代码生成的先后顺序。

与coze、dify等工具相比，langgraph的起始节点和终止节点有着明确的含义。起始节点（如START）标志着代码生成流程的开始，它是整个图形化流程的起点，从这里开始触发各个节点的执行；终止节点（如END）则表示代码生成流程的结束，当流程到达终止节点时，意味着代码生成已经完成。边则代表了节点之间的逻辑关系和执行顺序，它规定了从一个节点到另一个节点的走向，确保代码生成按照既定的流程进行。

之所以这样构造这些节点和边，是因为它能够将复杂的代码生成过程拆解为一个个清晰的步骤，每个步骤对应一个节点，通过边的连接将这些步骤有序地组织起来。这种图形化的设计不仅让代码生成的逻辑一目了然，也方便开发者和测试工程师对整个流程进行理解、修改和优化。

以使用langgraph生成FastAPI代码的流程为例，我们定义了route_node和main_node两个关键节点，并通过sg.add_edge(START, "route_node")、sg.add_edge("route_node", "main_node")、sg.add_edge("main_node", END)这三条边串联起整个代码生成过程。sg.add_edge(START, "route_node")这条边，就像项目启动的“发令枪”，规定代码生成从START开始后，首先进入route_node节点。在route_node节点函数中，会生成FastAPI的路由代码和处理函数代码，这是搭建FastAPI应用的基础环节，好比建造房屋前需要准备好砖块、钢筋等建筑材料。

sg.add_edge("route_node", "main_node")则明确了route_node和main_node的先后顺序，即完成路由和处理函数的生成后，流程才会进入main_node节点。main_node节点函数需要基于route_node生成的路由代码，去创建FastAPI实例、注册路由并启动服务器，这就如同用准备好的材料开始搭建房屋，只有先有了“材料”，才能进行后续的“搭建”工作。最后，sg.add_edge("main_node", END)将流程导向终止节点END，表示当main_node完成创建FastAPI实例、注册路由和启动服务器等操作后，整个代码生成流程顺利结束。

二、为什么选择FastAPI作为示例？

FastAPI是一个用于构建API的高性能Python框架，它基于Python的类型提示，能够提供快速的开发体验和出色的性能。选择FastAPI作为示例，主要有以下几个原因：首先，FastAPI在现代Web开发中应用广泛，越来越多的项目采用它来构建后端API，对于测试工程师来说，熟悉和掌握FastAPI相关的测试工作是非常必要的；其次，FastAPI的代码结构清晰，易于理解和分析，使用langgraph生成FastAPI代码能够更直观地展示代码生成的过程和逻辑；最后，通过生成FastAPI代码，可以帮助测试工程师快速搭建测试环境，提高测试工作的效率。

三、示例代码展示

下面是使用langgraph生成FastAPI代码的具体示例：

from typing import List
from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict
from langchain_core.messages import SystemMessage, HumanMessage
from llm import DeepSeek

llm = DeepSeek()

systemMessage = """
你是一个Python FastAPI开发者，你将编写基于FastAPI框架的Web程序。
你只需直接输出代码，不要做任何解释和说明，不要将代码放到 ```python ```中
"""

class State(TypedDict):
    main: str
    routes: list[str]
    handlers: list[str]

def split_route_handler(message: str) -> List[str]:
    codes = message.split('###')
    if len(codes) != 2:
        raise Exception("Invalid message format")
    return codes

def route_node(state):
    prompt = """
生成FastAPI的路由代码和处理函数，它们之间使用字符串'###'隔开
route_hello:
    @app.get("/hello")
handler_hello:
    返回包含字符串 "hello" 的响应
"""

    message = llm.invoke([SystemMessage(content=systemMessage), HumanMessage(content=prompt)])
    codes = split_route_handler(message.content)

    state["routes"] += [codes[0]]
    state["handlers"] += [codes[1]]
    return state

def main_node(state):
    prompt = """
1. 创建FastAPI实例
2. 拥有路由代码
{routes}
处理函数代码已经生成，无需再进行处理
3. 启动服务器，端口为8000
    """

    prompt = prompt.format(routes=state["routes"][-1])
    message = llm.invoke([SystemMessage(content=systemMessage), HumanMessage(content=prompt)])
    state["main"] += message.content
    return state

if __name__ == "__main__":
    sg = StateGraph(State)

    sg.add_node("route_node", route_node)
    sg.add_node("main_node", main_node)

    sg.add_edge(START, "route_node")
    sg.add_edge("route_node", "main_node")
    sg.add_edge("main_node", END)

    graph = sg.compile()
    code = graph.invoke({"main": "", "routes": [], "handlers": []})

    print(code["main"])
    for handler in code["handlers"]:
        print(handler)

在这段代码中，首先定义了系统提示词systemMessage，明确生成FastAPI代码的要求。然后通过route_node节点函数生成路由和处理函数代码，main_node节点函数根据生成的路由代码创建FastAPI实例并启动服务器。最后通过StateGraph构建代码生成流程，并调用生成最终的代码。

当然以上的代码中路由和处理函数写在了一起，如果分开写将会变成如下的格式

from typing import List
from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict
from langchain_core.messages import SystemMessage, HumanMessage
from llm import DeepSeek

llm = DeepSeek()

systemMessage = """
你是一个 Python FastAPI 开发者，你将编写基于 FastAPI 框架的 Web 程序。
你只需直接输出代码，不要做任何解释和说明，不要将代码放到 ```python ```中
"""

class State(TypedDict):
    main: str
    routes: list[str]
    handlers: list[str]

def route_code_node(state):
    prompt = """
生成 FastAPI 的路由代码
route_hello:
    @app.get("/hello")
    """
    message = llm.invoke([SystemMessage(content=systemMessage), HumanMessage(content=prompt)])
    state["routes"] += [message.content]
    return state

def handler_code_node(state):
    prompt = """
生成 FastAPI 的处理函数代码
handler_hello:
    返回包含字符串 "hello" 的响应
    """
    message = llm.invoke([SystemMessage(content=systemMessage), HumanMessage(content=prompt)])
    state["handlers"] += [message.content]
    return state

def main_node(state):
    prompt = """
1. 创建 FastAPI 实例
2. 拥有路由代码
{routes}
3. 拥有处理函数代码
{handlers}
4. 启动服务器，端口为 8000
    """
    prompt = prompt.format(routes=state["routes"][-1], handlers=state["handlers"][-1])
    message = llm.invoke([SystemMessage(content=systemMessage), HumanMessage(content=prompt)])
    state["main"] += message.content
    return state

if __name__ == "__main__":
    sg = StateGraph(State)

    sg.add_node("route_code_node", route_code_node)
    sg.add_node("handler_code_node", handler_code_node)
    sg.add_node("main_node", main_node)

    sg.add_edge(START, "route_code_node")
    sg.add_edge("route_code_node", "handler_code_node")
    sg.add_edge("handler_code_node", "main_node")
    sg.add_edge("main_node", END)

    graph = sg.compile()
    code = graph.invoke({"main": "", "routes": [], "handlers": []})

    print(code["main"])
    for handler in code["handlers"]:
        print(handler)
    for route in code["routes"]:
        print(route)
    

最后的代码结构大概如下：

from fastapi import FastAPI

app = FastAPI()

@app.get("/hello")
def hello():
    return "hello"

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

四、对测试工程师的意义

对于测试工程师而言，使用langgraph生成FastAPI代码具有多方面的重要意义。一方面，它可以大大减少手动编写代码的工作量。在测试工作中，常常需要搭建各种测试环境和编写测试用例，而使用langgraph生成代码可以快速生成符合需求的FastAPI代码，节省了大量的时间和精力。另一方面，通过生成的代码，测试工程师可以更深入地了解FastAPI的工作原理和代码结构，有助于更好地进行测试设计和测试执行。此外，生成的代码还可以作为测试数据的一部分，用于验证系统的功能和性能。

五、成熟项目结构应该是什么样的？

使用langgraph生成FastAPI代码的成熟项目结构通常应该包含以下几个部分：

主程序文件：负责创建FastAPI实例、注册路由和启动服务器，是整个项目的入口。

路由文件：专门用于定义API的各个路由和对应的处理函数，使路由逻辑更加清晰。

处理函数文件：包含了具体的业务逻辑实现，将业务逻辑与路由分离，提高代码的可维护性。

配置文件：存储项目的各种配置信息，如数据库连接配置、服务器端口等，方便进行配置管理。

数据库连接文件：负责与数据库建立连接，提供数据访问的功能，确保项目能够正确读写数据。

这样的项目结构清晰合理，便于维护和扩展，能够更好地支持测试工作的开展。

六、langgraph对测试自动化工作的设想

展望未来，langgraph在测试自动化工作中具有很大的潜力。测试工程师可以通过定义不同的节点和边，使用langgraph生成各种测试脚本和测试工具。例如：

生成自动化测试框架代码：根据不同的测试场景和需求，自动生成相应的测试用例，提高测试用例的生成效率和覆盖率。

生成性能测试工具代码：用于对系统进行性能评估，帮助测试工程师快速搭建性能测试环境，获取性能测试数据。

与CI/CD流程结合：在代码构建和部署过程中自动生成相关的测试代码，实现测试的自动化和智能化，确保每次代码变更都经过充分的测试。

七、如何区分系统提示词和用户提示词

在使用langgraph生成代码的过程中，系统提示词和用户提示词扮演着不同的角色。系统提示词通常用于定义代码生成的基本规则和背景信息，它是由工具或开发者预先设定好的，用于引导模型生成符合特定要求的代码。例如，在生成FastAPI代码时，系统提示词
“你是一个Python FastAPI开发者，你将编写基于FastAPI框架的Web程序。你只需直接输出代码，不要做任何解释和说明，不要将代码放到python中”，它明确了生成代码的框架、格式和要求。而用户提示词则是根据具体的需求由用户输入的，用于进一步细化代码生成的内容。比如，“生成FastAPI的路由代码和处理函数，它们之间使用字符串'###'隔开”，这就是用户根据自己的需求提出的具体指令，它在系统提示词的基础上，进一步明确了代码生成的细节。

总之，langgraph为测试工程师提供了一种全新的代码生成方式，通过合理利用它，我们可以提高测试工作的效率和质量，为软件开发项目的成功交付提供有力保障。