多供应商 LangGraph 研究代理

本项目展示了一个使用 React 前端和 LangGraph 驱动的后端代理的全栈应用程序。该代理旨在通过动态生成搜索词、使用多个搜索供应商查询网络、反思结果以识别知识差距，并迭代优化搜索，直到能够提供有充分支持和引用的答案，来对用户的查询进行全面研究。该应用程序是使用 LangGraph 构建研究增强型对话 AI 的示例，支持多个 LLM 供应商和搜索服务。

功能特性

• 💬 React 前端和 LangGraph 后端的全栈应用程序
• 🧠 由 LangGraph 代理驱动，提供高级研究和对话式 AI
• 🤖 多 LLM 供应商支持：可选择 Google Gemini、OpenAI、Azure OpenAI 或 Anthropic 模型
• 🔍 使用您首选的 LLM 动态生成搜索查询
• 🌐 多搜索供应商支持：通过 Google Search API、Tavily 或 Firecrawl 集成网络研究
• 🤔 反思性推理，识别知识差距并优化搜索
• 📄 生成带有来源引用的答案
• 🔄 开发期间前后端热重载

项目结构

项目分为两个主要目录：

• frontend/：包含使用 Vite 构建的 React 应用程序
• backend/：包含 LangGraph/FastAPI 应用程序，包括研究代理逻辑

快速开始：开发和本地测试

按照以下步骤在本地运行应用程序进行开发和测试。

1. 前置要求：

• Node.js 和 npm（或 yarn/pnpm）
• Python 3.11+
• API 密钥：后端代理需要您要使用的供应商的 API 密钥。
  1. 导航到 backend/ 目录
  2. 通过复制 backend/.env.example 文件创建一个名为 .env 的文件
  3. 打开 .env 文件并添加您的 API 密钥：

     # 至少需要一个 LLM 供应商：
     GEMINI_API_KEY="YOUR_GEMINI_API_KEY"      # 用于 Google Gemini 模型
     OPENAI_API_KEY="YOUR_OPENAI_API_KEY"      # 用于 OpenAI 模型
     ANTHROPIC_API_KEY="YOUR_ANTHROPIC_API_KEY" # 用于 Anthropic Claude 模型
     
     # 用于 Azure OpenAI：
     AZURE_OPENAI_API_KEY="YOUR_AZURE_OPENAI_API_KEY"
     AZURE_OPENAI_ENDPOINT="YOUR_AZURE_OPENAI_ENDPOINT"  # 例如：https://your-resource.openai.azure.com/
     AZURE_OPENAI_API_VERSION="2024-02-15-preview"       # 可选，默认为 2024-02-15-preview
     
     # 至少需要一个搜索供应商：
     # 注意：搜索供应商与 LLM 供应商是独立的。
     # 例如，您可以使用 Azure OpenAI 作为 LLM，同时使用 Tavily 进行搜索。
     # GEMINI_API_KEY（上面）也提供 Google Search
     TAVILY_API_KEY="YOUR_TAVILY_API_KEY"      # 用于 Tavily 搜索
     FIRECRAWL_API_KEY="YOUR_FIRECRAWL_API_KEY" # 用于 Firecrawl 搜索

2. 安装依赖：

后端：

cd backend
pip install .

前端：

cd frontend
npm install

3. 运行开发服务器：

后端和前端：

make dev

这将运行后端和前端开发服务器。打开浏览器并导航到前端开发服务器 URL（例如 http://localhost:5173/app）。

或者，您可以分别运行后端和前端开发服务器。对于后端，在 backend/ 目录中打开终端并运行 langgraph dev。后端 API 将在 http://127.0.0.1:2024 可用。它还会打开一个浏览器窗口到 LangGraph UI。对于前端，在 frontend/ 目录中打开终端并运行 npm run dev。前端将在 http://localhost:5173 可用。

后端代理工作原理（高层概述）

后端的核心是在 backend/src/agent/graph.py 中定义的 LangGraph 代理。它遵循以下步骤：

1. 生成初始查询： 根据您的输入，使用 LLM 模型生成一组初始搜索查询
2. 网络研究： 对于每个查询，使用搜索供应商查找相关网页
3. 反思和知识差距分析： 代理分析搜索结果以确定信息是否充分或是否存在知识差距。它使用 LLM 模型进行此反思过程
4. 迭代优化： 如果发现差距或信息不足，它会生成后续查询并重复网络研究和反思步骤（最多配置的最大循环次数）
5. 最终答案： 一旦研究被认为足够，代理会使用 LLM 模型将收集的信息综合成连贯的答案，包括来自网络来源的引用

命令行示例

基本用法

对于快速的一次性问题，您可以从命令行执行代理。脚本 backend/examples/cli_research.py 运行 LangGraph 代理并打印最终答案：

cd backend
python examples/cli_research.py "可再生能源的最新趋势是什么？"

多供应商示例

从命令行使用不同的 LLM 和搜索供应商：

cd backend

# 使用 OpenAI 和 Tavily 搜索
python examples/multi_provider_example.py \
  "What are the latest developments in quantum computing?" \
  --llm-provider openai \
  --search-provider tavily

# 使用 Anthropic Claude 和 Google Search
python examples/multi_provider_example.py \
  "Explain the recent advances in fusion energy" \
  --llm-provider anthropic \
  --search-provider google \
  --model claude-3-5-sonnet-20241022

# 使用默认的 Google Gemini 和 Firecrawl
python examples/multi_provider_example.py \
  "What is the state of self-driving car technology?" \
  --search-provider firecrawl

部署

在生产环境中，后端服务器提供优化的静态前端构建。LangGraph 需要 Redis 实例和 Postgres 数据库。Redis 用作发布-订阅代理，以支持从后台运行中流式传输实时输出。Postgres 用于存储助手、线程、运行、持久化线程状态和长期内存，以及管理具有"恰好一次"语义的后台任务队列的状态。有关如何部署后端服务器的更多详细信息，请查看 LangGraph 文档。以下是如何构建包含优化的前端构建和后端服务器的 Docker 镜像并通过 docker-compose 运行它的示例。

注意：对于 docker-compose.yml 示例，您需要 LangSmith API 密钥，您可以从 LangSmith 获取。

注意：如果您不运行 docker-compose.yml 示例或将后端服务器暴露到公共互联网，您应该更新 frontend/src/App.tsx 文件中的 apiUrl 为您的主机。当前 apiUrl 设置为 docker-compose 的 http://localhost:8123 或开发的 http://localhost:2024。

1. 构建 Docker 镜像：

从项目根目录运行以下命令：

docker build -t gemini-fullstack-langgraph -f Dockerfile .

2. 运行生产服务器：

GEMINI_API_KEY=<your_gemini_api_key> LANGSMITH_API_KEY=<your_langsmith_api_key> docker-compose up

打开浏览器并导航到 http://localhost:8123/app/ 查看应用程序。API 将在 http://localhost:8123 可用。

多供应商支持

支持的 LLM 供应商

应用程序现在支持多个 LLM 供应商，可以从前端选择：

• Google Gemini：模型如 gemini-2.0-flash、gemini-2.5-flash、gemini-2.5-pro
• OpenAI：模型如 gpt-4o、gpt-4o-mini、o1
• Azure OpenAI：Azure 托管的 OpenAI 模型如 gpt-4o、gpt-4o-mini、gpt-4、gpt-35-turbo
• Anthropic：模型如 claude-3-5-sonnet、claude-3-5-haiku、claude-3-opus

支持的搜索供应商

可从多个搜索服务中选择：

• Google Search：与 Gemini 模型集成的原生 Google Search API
• Tavily：具有深度网络研究能力的高级 AI 驱动搜索 API
• Firecrawl：网络爬取和内容提取服务

如何使用不同的供应商

1. 通过前端 UI：只需从界面的下拉菜单中选择您首选的 LLM 供应商和搜索服务。

2. 通过配置：您还可以在后端配置中设置默认供应商：

   # 在 backend/src/agent/configuration.py 中
   llm_provider: str = Field(default="google")  # 或 "openai" 或 "azure_openai" 或 "anthropic"
   search_provider: str = Field(default="google")  # 或 "tavily" 或 "firecrawl"

3. 通过环境变量：

   export LLM_PROVIDER=openai
   export SEARCH_PROVIDER=tavily

使用的技术

• React（配合 Vite）- 用于前端用户界面
• Tailwind CSS - 用于样式设计
• Shadcn UI - 用于组件
• LangGraph - 用于构建后端研究代理
• 多个 LLM 供应商：
  • Google Gemini - 用于查询生成、反思和答案综合
  • OpenAI - 用于 GPT-4 和其他 OpenAI 模型
  • Azure OpenAI - 用于 Azure 托管的 OpenAI 模型
  • Anthropic Claude - 用于 Claude 模型
• 多个搜索服务：
  • Google Search API - 用于带有基础的网络搜索
  • Tavily - 用于 AI 优化的搜索
  • Firecrawl - 用于网络爬取和提取

许可证

本项目根据 Apache License 2.0 授权。详情请参阅 LICENSE 文件。