【免费下载】 gemini-fullstack-langgraph-quickstart：全栈应用研究增强AI演示

项目介绍

gemini-fullstack-langgraph-quickstart 是一个全栈应用程序，它通过一个React前端和一个LangGraph驱动的后端Agent，展示了如何构建研究增强的对话式AI。后端Agent能够针对用户的查询进行综合研究，动态生成搜索词，利用Google Search API查询网络，通过反思搜索结果来识别知识空白，并迭代优化搜索，直至能够提供有充分支持的、带引用的回答。

项目技术分析

该项目采用了以下技术栈：

• 前端： 使用React框架进行构建，搭配Vite进行快速开发。
• 后端： LangGraph和FastAPI结合，构建了研究Agent的逻辑。
• 动态查询： 使用Google的Gemini模型生成初始搜索查询。
• Web研究： 通过Google Search API获取相关网页信息。
• 知识空白分析： Agent分析搜索结果，识别信息是否充分或存在知识空白。
• 迭代优化： 如果有知识空白，Agent将生成后续查询，并重复搜索和分析步骤，直至信息充分。

项目及技术应用场景

gemini-fullstack-langgraph-quickstart 的设计理念是为研究增强型AI应用提供一个快速启动的模板。以下是一些应用场景：

1. 学术研究助手： 用于生成研究论文的初步资料收集和分析。
2. 知识问答系统： 在线教育平台中的问答系统，提供详细的答案及引用。
3. 智能客服： 对客户查询提供深入的分析和解答，增强客户服务质量。
4. 个人助理： 为用户提供个性化的研究服务，如市场分析、健康咨询等。

项目特点

• 🧠 LangGraph Agent： 利用LangGraph强大的研究能力，为用户提供深入的查询结果。
• 🔍 动态搜索查询： 通过Gemini模型动态生成搜索查询，优化搜索策略。
• 📄 答案带引用： 生成的答案包含来自网络来源的引用，确保信息的准确性。
• 🔄 热重载： 开发过程中前端和后端都能实现热重载，提高开发效率。
• 🌐 集成Web研究： 使用Google Search API集成网络研究，拓宽信息获取渠道。
• 💬 全栈应用： 完整的前后端实现，适用于构建复杂的应用程序。

如何开始使用

要开始使用gemini-fullstack-langgraph-quickstart，您需要准备以下环境：

• Node.js 和 npm（或 yarn/pnpm）
• Python 3.8或更高版本
• Google Gemini API密钥

项目分为两个主要目录：frontend/ 和 backend/。您需要分别安装前端和后端的依赖，然后使用make dev命令启动开发服务器。

后端Agent的工作原理

后端Agent的工作流程如下：

1. 生成初始查询： 基于用户输入，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模型和Google Search API搜索相关网页。
3. 反思和知识空白分析： Agent分析搜索结果，判断信息是否充足。
4. 迭代优化： 如有需要，Agent会生成后续查询并重复分析和搜索步骤。
5. 最终答案： 当信息充足时，Agent将综合信息并生成带引用的答案。

部署

在生产环境中，后端服务器将提供优化的静态前端构建。LangGraph需要一个Redis实例和Postgres数据库。部署过程可以使用Docker和docker-compose，通过构建Docker镜像并运行容器。

技术栈

项目中使用的技术栈包括：

• React（搭配Vite）
• Tailwind CSS
• Shadcn UI
• LangGraph
• Google Gemini

该项目是一个开源项目，并在Apache License 2.0下发布。如果您正在寻找一个能够快速启动全栈应用并集成研究型对话AI的解决方案，gemini-fullstack-langgraph-quickstart 将是一个理想的选择。通过其灵活的设计和强大的功能，这个项目能够为不同的业务场景提供价值。