Gemini Fullstack LangGraph：基于Gemini和LangGraph的智能研究全栈应用

gemini-fullstack-langgraph-quickstart 是一个由谷歌开源的示例项目，展示如何使用谷歌的Gemini模型和LangGraph框架构建一个全栈智能研究应用。前端使用React提供用户界面，后端通过LangGraph驱动的智能代理完成复杂的研究任务。这个项目能根据用户输入生成搜索查询，通过谷歌搜索API获取网页信息，分析信息缺口并迭代优化，最终输出带引用的详细答案。项目适合开发者学习如何结合大语言模型和开源框架，打造一个支持动态研究和对话的AI应用。它强调透明的研究过程，适合需要深入研究或验证信息的场景。

功能列表

• 动态查询生成：基于用户输入，Gemini模型生成相关搜索查询。
• 网页信息检索：通过谷歌搜索API获取实时网页数据。
• 反思与优化：代理分析搜索结果，识别信息缺口，迭代优化查询。
• 答案合成与引用：综合收集的信息，生成带网页引用的详细答案。
• 全栈架构：React前端提供交互界面，FastAPI后端处理复杂逻辑。
• 命令行研究：支持通过命令行快速运行单次研究任务。
• 实时流式输出：使用Redis实现后台任务的实时数据流。
• 状态持久化：Postgres数据库存储代理状态、线程和长期记忆。

使用帮助

安装流程

要使用gemini-fullstack-langgraph-quickstart，需要完成以下安装步骤，确保环境配置正确。以下是详细的安装和运行指南：

1. 克隆项目仓库
   在终端运行以下命令，克隆项目到本地：

   git clone https://github.com/google-gemini/gemini-fullstack-langgraph-quickstart.git
   cd gemini-fullstack-langgraph-quickstart
   

2. 获取API密钥
   • Gemini API密钥：访问Google AI Studio，注册并生成Gemini API密钥。
   • LangSmith API密钥（可选）：访问LangSmith官网，注册并生成密钥，用于调试和观察。
3. 配置环境变量
   进入backend目录，创建.env文件并添加API密钥：

   cd backend
   echo 'GEMINI_API_KEY="YOUR_ACTUAL_API_KEY"' > .env
   echo 'LANGSMITH_API_KEY="YOUR_ACTUAL_LANGSMITH_API_KEY"' >> .env
   

   将YOUR_ACTUAL_API_KEY替换为实际的Gemini API密钥，YOUR_ACTUAL_LANGSMITH_API_KEY替换为LangSmith密钥（如果使用）。

4. 安装后端依赖
   在backend目录下，安装Python依赖：

   pip install .
   

   确保Python版本为3.8或以上，且pip指向正确版本。

5. 安装前端依赖
   返回项目根目录，进入frontend目录，安装Node.js依赖：

   cd ../frontend
   npm install
   

6. 运行开发服务器
   • 同时运行前后端：在项目根目录运行以下命令，启动前后端开发服务器：

     npm run dev
     

     前端默认运行在http://localhost:5173/app，后端API运行在http://127.0.0.1:2024。

   • 单独运行后端：在backend目录运行：

     langgraph dev
     

     这会启动后端服务并打开LangGraph UI。

   • 单独运行前端：在frontend目录运行：

     npm run dev
     

7. 使用Docker部署（可选）
   如果希望通过Docker运行，需先安装Docker和Docker Compose。然后执行：

   docker build -t gemini-fullstack-langgraph -f Dockerfile .
   GEMINI_API_KEY=<your_gemini_api_key> LANGSMITH_API_KEY=<your_langsmith_api_key> docker-compose up
   

   应用运行后，访问http://localhost:8123/app查看界面。

功能操作流程

1. 通过Web界面进行研究

• 访问前端：打开浏览器，访问http://localhost:5173/app。
• 输入查询：在输入框中输入研究问题，例如“2025年可再生能源的最新趋势”。
• 查看研究过程：提交后，界面会显示代理的每一步操作，包括生成查询、搜索网页、分析结果等。
• 获取答案：最终答案会以文本形式显示，包含引用的网页链接。

2. 通过命令行进行快速研究

• 在backend目录运行：

  python examples/cli_research.py "你的研究问题"
  

• 代理会直接在终端输出研究结果和引用，适合快速验证。

3. 实时流式输出

• 项目使用Redis作为发布-订阅经纪人，确保后台任务的实时输出。需要在本地安装Redis并确保其运行。
• 配置Redis：在.env文件中添加Redis连接信息（默认使用redis://localhost:6379）。
• 流式输出会在Web界面或终端实时显示研究进度。

4. 数据持久化

• 项目使用Postgres存储代理状态和线程信息。需要在本地安装Postgres并配置连接：

  echo 'DATABASE_URL="postgresql://user:password@localhost:5432/dbname"' >> .env
  

• 数据库会记录每次研究的上下文，便于长期记忆和状态管理。

注意事项

• 确保网络连接稳定，因为代理需要通过谷歌搜索API获取实时数据。
• 如果遇到API密钥错误，检查.env文件是否正确配置。
• 项目需要大量计算资源，建议在性能较好的设备上运行。

应用场景

1. 学术研究
   研究人员可以使用该应用快速收集某领域的最新信息。例如，输入“量子计算的最新进展”，代理会生成相关查询，搜索学术资源并整理答案，附上可靠来源链接。
2. 商业情报分析
   企业分析师可利用该工具研究市场趋势或竞争对手动态。例如，输入“2025年电动车市场趋势”，应用会提供详细报告和数据来源。
3. 教育辅助
   学生和教师可通过该工具快速验证信息或准备课程材料。例如，输入“气候变化的影响”，可获得带引用的综合答案，适合课堂讨论。
4. 技术开发参考
   开发者可学习如何结合Gemini模型和LangGraph框架，构建类似的研究代理，探索AI驱动的应用开发。

QA

1. 需要哪些API密钥才能运行项目？
   必须提供Gemini API密钥，可从Google AI Studio获取。LangSmith API密钥为可选，用于调试和观察。
2. 如何查看代理的研究过程？
   在Web界面中，提交查询后，界面会实时显示代理的每一步操作，包括查询生成、网页搜索和反思过程。
3. 项目支持哪些编程语言？
   后端使用Python（LangGraph和FastAPI），前端使用JavaScript（React）。Docker用于部署。
4. 是否支持离线运行？
   不支持完全离线运行，因为代理需要通过谷歌搜索API获取实时网页数据。