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

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：

1. Python 版本：建议使用 Python 3.9 或更高版本。
2. 依赖库：安装 langgraph, langchain, gpt-researcher 等相关包。
3. API 密钥：配置好所需的大模型 API Key（如 OpenAI 或其他兼容接口）。
4. 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。