DS2 - LangGraph 研究代理

一个基于 LangGraph 构建的自动化研究代理，能够执行多轮网络搜索、分析信息并生成带引用的高质量研究报告。（借鉴https://github.com/google-gemini/gemini-fullstack-langgraph-quickstart）

功能特点

• 🔍 多轮搜索：自动执行初始搜索和后续追问搜索
• 🤖 智能分析：使用 OpenAI 兼容的 LLM 分析搜索结果
• 📝 引用追踪：自动标注信息来源
• 🔄 反思机制：识别知识空白并生成后续查询
• 🛠️ CLI 工具：命令行界面，易于使用

技术栈

• Python 3.12+
• LangGraph - 构建有状态的多轮对话图
• LangChain - LLM 应用开发框架
• OpenAI API - 支持 OpenRouter 等第三方服务
• DuckDuckGo Search - 免费网络搜索工具

安装

前置要求

• Python 3.12 或更高版本
• uv 包管理器（推荐）

安装依赖

# 使用 uv 安装依赖
uv sync

配置

环境变量

复制 .env 文件并配置以下变量：

# .env
OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL=https://openrouter.ai/api/v1  # 可选，第三方服务

# 如使用 Tavily 搜索（可选）
TAVILY_API_KEY=tvly-...

使用方法

命令行工具

# 基本用法
uv run python cli_research.py "你的研究问题"

# 自定义初始查询数量
uv run python cli_research.py "你的研究问题" --initial-queries 5

# 自定义最大研究循环次数
uv run python cli_research.py "你的研究问题" --max-loops 3

# 指定推理模型
uv run python cli_research.py "你的研究问题" --reasoning-model gpt-4o

参数说明

参数	类型	默认值	描述
question	位置参数	-	研究问题
--initial-queries	int	3	初始搜索查询数量
--max-loops	int	2	最大研究循环次数
--reasoning-model	str	-	用于最终答案的模型

输出

研究结果会：

1. 在终端显示每一步的执行过程
2. 生成 debug.md 文件，包含完整的研究步骤和最终答案

项目结构

ds2/
├── cli_research.py        # 命令行入口
├── pyproject.toml         # 项目配置和依赖
├── .env                   # 环境变量配置
└── agent/
    ├── __init__.py
    ├── graph.py           # LangGraph 图定义
    ├── state.py           # 状态定义
    ├── tools_and_schemas.py  # 工具和数据模式
    ├── prompts.py         # 提示词模板
    ├── configuration.py   # 配置管理
    ├── utils.py           # 工具函数
    └── run.py             # 运行脚本

工作流程

graph TD
    A[开始] --> B[生成搜索查询]
    B --> C[并行执行网络搜索]
    C --> D[反思分析]
    D --> E{信息充足？}
    E -->|否 | F[生成后续查询]
    F --> C
    E -->|是 | G[生成最终答案]
    G --> H[结束]

Loading

示例

# 研究 AI 最新进展
uv run python cli_research.py "2025 年 AI 领域的最新突破有哪些？"

# 研究科技新闻
uv run python cli_research.py "特斯拉最新发布的机器人技术细节" --initial-queries 5 --max-loops 3

开发

添加新依赖

uv add package_name

运行测试

（待添加）

许可证

MIT

致谢

本项目基于 LangGraph 研究代理模板构建。