基于 LangGraph 与 GPT-Researcher 构建多智能体 AI 研究助理

引言

在当前的 AI 应用开发中，单一的大语言模型（LLM）往往难以独立胜任复杂的长文本生成任务。大模型存在训练数据过时、容易产生幻觉、受限于上下文窗口以及网络搜索资源不足等问题。为了解决这些痛点，本文介绍一种基于 LangGraph 框架结合开源项目 GPT-Researcher 的多智能体（Multi-Agent）架构方案。该方案通过模拟人类团队协作模式，实现从主题细分、资料搜集、报告撰写到自我反思的自动化流程，能够输出高质量的综合研究报告。

业务场景与需求分析

当需要针对特定主题（如'生成式人工智能中的伦理偏见与公平性'）进行深入研究时，传统方式需要人工在多个网站间切换检索、聚合信息并整理成文。借助大模型虽然能加速这一过程，但面临以下挑战：

信息时效性与准确性：大模型训练数据截止较早，且容易产生事实性幻觉。
篇幅限制：受限于上下文长度，直接输出长篇研究报告效果不佳。
深度不足：简单的 RAG（检索增强生成）更适合问答，而非系统性报告编写。
缺乏审核机制：单次生成难以保证逻辑严密性和内容全面性。

因此，我们需要一个设计合理的 AI 智能体系统，具备以下能力：

任务分解：将输入的研究主题细分为可执行的子课题。
自主研究：对子课题进行网络或本地资源的深度检索。
协作修订：通过审阅和修订角色对内容进行迭代优化。
人机协同：在关键节点引入人类反馈，确保方向正确。

系统架构设计

多智能体系统优势

多智能体系统（Multi-Agent System）通过多个相互独立但协作的智能体来完成复杂任务。相比单智能体，其优势在于：

分工明确：每个智能体拥有不同的视角或能力，更全面地处理问题。
并行处理：任务可分解分配，提升整体效率。
动态调整：可根据任务需求动态调整角色职责。

角色定义

本项目设计的多智能体研究助理包含以下核心角色：

Researcher（研究员）：负责针对研究主题采集网络资源，执行自主研究任务。
Editor（编辑）：负责初期规划研究大纲和整体结构。
Reviewer（审阅者）：根据设定的标准对研究结果进行检查验证。
Revisor（修订者）：根据审阅结果对研究结果进行修订。
Writer（撰写者）：根据研究输出撰写最终报告内容。
Publisher（发布器）：负责用不同的格式发布最终研究报告。
Human（人类）：支持人类角色参与流程，在适当时机给出反馈或审核指令。

工作流程

基本工作流如下：

根据给定的研究主题，参考互联网资源进行初步研究。
根据初步研究结果制定报告提纲（子课题）。
对每个子课题做深入研究、审阅与修改，直到满意为止。
汇总子课题的研究结果撰写最终报告，并输出多格式文档。

基于 LangGraph 的实现细节

LangGraph 是 LangChain 的扩展包，它通过将 Agent 系统的工作流用图（Graph）结构来设计与表示，支持循环流和复杂的状态管理，非常适合构建此类多智能体应用。

State 状态设计

在 LangGraph 中，State 对象用于保存在各个节点之间传递的必需信息。本项目定义了 ResearchState 类，包含研究任务相关数据和输出报告相关数据两部分：

class ResearchState(TypedDict):
    # 研究任务相关
    task: dict
    initial_research: str
    sections: List[str]
    research_data: List[dict]
    human_feedback: str  # 人类反馈

    # 输出的报告结构
    title: str
    headers: dict
    date: str
    table_of_contents: str
    introduction: str
    conclusion: str
    sources: List[str]
    report: str

这种设计确保了所有 Agent 都能访问统一的数据上下文，实现了信息共享。

主流程 Workflow 构建

创建主工作流的步骤包括声明 Agent、创建 StateGraph、添加节点、添加边以及设定入口和出口。

# 初始化研究团队
workflow = StateGraph(ResearchState)

# 增加 Graph 中的节点（Agent 及其动作）
workflow.add_node("browser", research_agent.run_initial_research)
workflow.add_node("planner", editor_agent.plan_research)
workflow.add_node("researcher", editor_agent.run_parallel_research)
workflow.add_node("writer", writer_agent.run)
workflow.add_node("publisher", publisher_agent.run)
workflow.add_node("human", human_agent.review_plan)

# 增加 Graph 中的边（节点之间的关系）
workflow.add_edge('browser', 'planner')
workflow.add_edge('planner', 'human')
workflow.add_edge('researcher', 'writer')
workflow.add_edge('writer', 'publisher')

# 设定开始和结束
workflow.set_entry_point("browser")
workflow.add_edge('publisher', END)

# 条件边：基于人类反馈决定是否要重新设计研究提纲
workflow.add_conditional_edges(
    'human', 
    (lambda review: "accept" if review['human_feedback'] is None else "revise"), 
    {"accept": "researcher", "revise": "planner"}
)

这里的关键在于 条件边（conditional_edge），它允许系统根据人类反馈动态决定下一步动作（继续研究还是重新规划），体现了人机回环（Human-in-the-loop）的设计思想。

并行子流程设计

为了提升效率，在规划完任务研究提纲后，需要对提纲中的每个子课题进行并行深入研究。这需要设计独立的子 Workflow，使用独立的 DraftState 对象以避免状态冲突。

async def run_parallel_research(self, research_state: dict):
    # 创建子任务所需的 Agent
    research_agent = ResearchAgent(...)
    reviewer_agent = ReviewerAgent(...)
    reviser_agent = ReviserAgent(...)

    # 创建子 workflow
    workflow = StateGraph(DraftState)

    # 增加 node
    workflow.add_node("researcher", research_agent.run_depth_research)
    workflow.add_node("reviewer", reviewer_agent.run)
    workflow.add_node("reviser", reviser_agent.run)

    # 增加边
    workflow.set_entry_point("researcher")
    workflow.add_edge('researcher', 'reviewer')
    workflow.add_edge('reviser', 'reviewer')

    # 条件边：根据审核结果决定是继续修订还是结束研究
    workflow.add_conditional_edges(
        'reviewer',
        (lambda draft: "accept" if draft['review'] is None else "revise"),
        {"accept": END, "revise": "reviser"}
    )

    chain = workflow.compile()
    return chain

Agent 提示词工程

单个 Agent 的功能相对简单，主要依赖大模型提示词（Prompt）来引导行为。以 Planner（编辑）为例，其系统提示词定义了角色目标和输出格式约束：

prompt = [{
    "role": "system",
    "content": "你是一名研究编辑。你的目标是监督研究项目从开始到完成。\n"
}, {
    "role": "user",
    "content": f"今天的日期是 {datetime.now().strftime('%d/%m/%Y')}\n"
               f"研究总结报告：'{initial_research}'\n"
               f"你的任务是根据上述研究总结报告生成研究项目的章节标题大纲。\n"
               f"你必须仅返回一个包含以下字段的 JSON..."
}]

对于人类角色，则通过简单的交互获取反馈信息并更新 State。

运行与部署

在完成 Agent 与 Workflow 的创建后，即可启动应用。以下是运行主流程的核心代码：

# 创建主 workflow
research_team = init_research_team()
chain = research_team.compile()

# 输入任务信息启动
result = await chain.ainvoke({"task": "研究任务"})

用户只需提供研究主题，系统即可自主运行，中间涉及人类确认的环节会暂停等待反馈。最终系统将输出完整的研究报告。

总结与展望

本方案展示了一个基于 LangGraph 与 GPT-Researcher 构建的多智能体 AI 研究助理。通过角色分工、状态管理和条件边控制，有效解决了单一大模型在处理复杂研究任务时的局限性。该架构不仅适用于学术研究，也可扩展至市场分析、竞品调研等商业场景。未来可进一步优化成本控制和响应速度，例如通过缓存机制减少重复搜索，或引入更精细的权限控制以适配企业级应用。

环境准备建议

在实际部署前，请确保满足以下基础环境要求：

Python 版本：建议使用 Python 3.9 或更高版本。
依赖库：安装 langgraph, langchain, gpt-researcher 等相关包。
API 密钥：配置好所需的大模型 API Key（如 OpenAI 或其他兼容接口）。
网络环境：确保服务器能够访问外部互联网以进行资源检索。

通过合理配置上述环境，开发者可以快速搭建起自己的智能研究助手原型。

基于 LangGraph 与 GPT-Researcher 构建多智能体 AI 研究助理