全栈智能研究助手终极指南：用Gemini和LangGraph构建你的AI研究员

【免费下载链接】gemini-fullstack-langgraph-quickstart Get started with building Fullstack Agents using Gemini 2.5 and LangGraph 项目地址: https://gitcode.com/gh_mirrors/ge/gemini-fullstack-langgraph-quickstart

Gemini Fullstack LangGraph Quickstart项目是一个全栈应用，结合React前端和LangGraph驱动的后端智能体，专为用户查询提供全面研究能力。该智能体能够动态生成搜索词、利用Google Search进行网络查询、反思结果以识别知识缺口，并通过迭代优化搜索，最终提供带有引用的可靠答案。这是一个利用LangGraph和Google Gemini模型构建研究增强型对话AI的绝佳示例。

🌟 核心功能亮点

这款全栈AI研究助手具备多项强大功能，让智能研究变得前所未有的简单：

• 💬 全栈架构：React前端与LangGraph后端无缝协作，提供流畅用户体验
• 🧠 智能研究代理：基于LangGraph构建的高级研究与对话AI系统
• 🔍 动态查询生成：利用Google Gemini模型自动生成精准搜索查询
• 🌐 网络研究整合：通过Google Search API获取最新网络资源
• 🤔 反思推理能力：智能识别知识缺口并优化搜索策略
• 📄 带引用的答案：自动生成包含来源引用的结构化回答
• 🔄 开发热重载：前后端均支持热重载，加速开发流程

🚀 快速开始：本地开发与测试

按照以下简单步骤，即可在本地搭建并运行这个强大的AI研究助手：

1️⃣ 准备工作

确保你的开发环境满足以下要求：

• Node.js和npm（或yarn/pnpm）
• Python 3.11+
• GEMINI_API_KEY：后端智能体需要Google Gemini API密钥
  1. 进入backend/目录
  2. 复制backend/.env.example文件创建.env文件
  3. 在.env文件中添加你的Gemini API密钥：GEMINI_API_KEY="YOUR_ACTUAL_API_KEY"

2️⃣ 安装依赖

后端依赖：

cd backend
pip install .

前端依赖：

cd frontend
npm install

3️⃣ 启动开发服务器

同时启动前后端：

make dev

这将启动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，你也可以分别启动后端和前端开发服务器：

• 后端：在backend/目录中运行langgraph dev，API将在http://127.0.0.1:2024可用
• 前端：在frontend/目录中运行npm run dev，前端将在http://localhost:5173可用

🧠 后端智能体工作原理

后端核心是一个在backend/src/agent/graph.py中定义的LangGraph智能体，它遵循以下工作流程：

1. 生成初始查询：根据用户输入，使用Gemini模型生成一组初始搜索查询
2. 网络研究：对每个查询，使用Gemini模型结合Google Search API查找相关网页
3. 反思与知识缺口分析：智能体分析搜索结果，判断信息是否足够或存在知识缺口，此反思过程同样使用Gemini模型
4. 迭代优化：如果发现缺口或信息不足，生成后续查询并重复网络研究和反思步骤（最多达到配置的最大循环次数）
5. 最终答案生成：一旦研究被认为足够充分，智能体综合收集的信息，使用Gemini模型生成包含网络来源引用的连贯答案

💻 应用界面展示

下面是应用界面的实际展示，你可以看到AI研究助手如何处理用户关于"最新Google Gemini模型"的查询：

界面显示了完整的研究过程，包括生成搜索查询、网络研究、反思和结果收集等步骤，让用户可以清晰地跟踪AI的思考过程。

⚡ CLI使用示例

对于快速的一次性问题，你可以从命令行执行智能体。backend/examples/cli_research.py脚本可以运行LangGraph智能体并打印最终答案：

cd backend
python examples/cli_research.py "What are the latest trends in renewable energy?"

🚢 部署指南

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，实现后台运行的实时流输出
• Postgres用于存储助手、线程、运行状态，持久化线程状态和长期记忆，并管理后台任务队列的"恰好一次"语义

使用Docker部署

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/即可使用应用，API将在http://localhost:8123可用。

注意：docker-compose.yml示例需要LangSmith API密钥，你可以从LangSmith获取。

🛠️ 技术栈

该项目使用了多种现代技术：

• React（搭配Vite）- 构建前端用户界面
• Tailwind CSS - 样式设计
• Shadcn UI - 组件库
• LangGraph - 构建后端研究智能体
• Google Gemini - 用于查询生成、反思和答案合成的大型语言模型

📋 总结

Gemini Fullstack LangGraph Quickstart项目提供了一个完整的全栈AI研究助手解决方案，展示了如何利用Gemini和LangGraph构建强大的智能研究工具。通过遵循本指南，你可以快速搭建自己的AI研究助手，体验智能搜索、反思和答案生成的全过程。

无论你是研究人员、学生还是对AI应用开发感兴趣的开发者，这个项目都为你提供了一个理想的起点，帮助你构建更高级的AI驱动的研究工具。

📄 许可证

本项目采用Apache License 2.0许可证。详情请参见LICENSE文件。

【免费下载链接】gemini-fullstack-langgraph-quickstart Get started with building Fullstack Agents using Gemini 2.5 and LangGraph 项目地址: https://gitcode.com/gh_mirrors/ge/gemini-fullstack-langgraph-quickstart