学习使用LangGraph x GPT-Researcher构建一个多智能体架构的AI自主研究助理 - 文章 - 开发者社区

点击

蓝色

字体关注我们

本文为大家剖析一个 通过多智能体协作来完成的AI研究助理 ，可以用来帮助进行各种综合的在线研究任务并输出报告。该应用基于 LangGraph 以及开源的 GPT-Researcher 项目而构建，我们将为大家介绍与剖析这个应用，你可以在此基础上做简单改造（如修改分析数据源、提示词等），以适应自身需要。

picture.image

业务场景

picture.image

通常，如果需要从头开始一个主题（比如“生成式人工智能中的伦理偏见与公平性"）的深入研究，我们最期望的是能够快速的获取多个来源的值得信赖的信息，这可能需要在多个网站之间不断点击与浏览，通过一系列检索、聚合、细化、整理等工作来完成任务。当然，现在你可以借助大模型，但是简单的模型输出或者RAG（检索增强生成）会面临这样的问题：

大模型训练的信息过时，容易产生幻觉
受限于上下文限制，不太适合输出长篇研究报告
网络搜索获得的参考资源不足，导致不全面与偏见
RAG系统更适合回答问题而不是编写长篇报告

所以期望有一个设计合理的AI智能体，能够自主的完成这样的研究任务：

对输入的研究主题进行细分，生成研究提纲与子课题
对子课题来获取相关的参考信息（本地或网络）
对获取的信息整理、汇总、分析，得出研究结论或报告
对报告进行自我反省与审核，并提出问题与指出不足
根据审核结果修订研究报告，并能获得人类反馈
结合研究的中间成果，输出最终的全面研究报告

picture.image

架构设计

picture.image

随着AI Agent理论与框架的演进， 多智能体系统（Multi-Agent System） 以其更灵活的架构，以及更接近人类社会组织与分工形式的设计而获得广泛关注。

picture.image

多智能体系统相对单智能体展现出了一些独有的特点与优势：

通过多个相互独立但协作的智能体来完成复杂任务，每个智能体拥有不同的视角或能力，可以更全面地理解和处理复杂问题
任务可以被分解并分配给不同的智能体，并行处理后再综合结果。能够加速任务完成，并提高系统的整体效率和准确性
可以根据任务需求动态地调整各智能体的角色与职责，更好地适应变化的环境，通过调整智能体之间的互动模式，应对不同的挑战

多智能体更适用于需要多角度、多角色参与，需要分工协作、任务分解的场景与复杂任务。

这个项目中设计的多智能体研究助理架构如下：

picture.image

图中展示出涉及的角色（智能体）包括：

Researcher ：研究员。针对研究主题采集网络资源，做自主研究
Editor ：编辑。负责初期规划研究大纲和整体结构
Reviewer ：审阅。根据设定的标准对研究结果进行检查验证
Revisor ：修订。根据审阅结果对研究结果进行修订
Writer ：撰写。根据研究输出撰写最终报告内容
Publisher ：发布。负责用不同的格式发布最终研究报告

除了智能体以外，也支持人类（ Human ）角色参与到流程，并在适当的时机给出反馈。这在多智能体系统中也很常见，通常用于审核或给出额外任务指令。

这里的基本工作流程为：

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er q

picture.image

基于LangGraph的实现

picture.image

LangGraph是大模型应用开发框架LangChain的扩展包。 LangGraph通过把一个Single-Agent或Multi-Agent系统的工作流用Graph（图结构）来设计与表示，从而能够支持最复杂的任务节点与关系，以支持构建更强大、能支持循环流的Agent应用。

picture.image

如果对LangGraph不熟悉，请参考以下两篇：

彻底搞懂LangGraph：构建强大的Multi-Agent多智能体应用的LangChain新利器

彻底搞懂LangGraph：构建一个可自我纠正的增强知识库RAG应用

picture.image

【Graph设计】

这里对上面的AI研究助理设计Graph图如下：

picture.image

【State设计】

LangGraph中需要定义的State对象是用来保存在各个节点之间传递的必需信息，这样每个节点可以访问这个统一的数据对象实现数据共享。这个项目中的State的结构设计如下：


        
            

          class ResearchState(TypedDict):  
    #研究任务  
    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

State中的信息分成研究任务相关（比如任务内容、子课题、参考数据、人类反馈等）与输出报告相关（标题、简介、内容等）两个部分。

【基于LangGraph的主流程】

现在，假设已经准备好所有的Agent及其行为（比如研究、审核等），就可以根据上面的Graph图开发Workflow。步骤是：

创建多个agent
创建主workflow
增加workflow中的节点（agent及其动作）
增加workflow中的边（节点之间的关系）


        
            

          ......初始化研究团队（LangGraph）......  
  def init\_research\_team(self):  
        # 声明多个独立Agent  
        writer\_agent = WriterAgent(self.websocket, self.stream\_output, self.headers)  
        editor\_agent = EditorAgent(self.websocket, self.stream\_output, self.headers)  
        research\_agent = ResearchAgent(self.websocket, self.stream\_output, self.tone, self.headers)  
        publisher\_agent = PublisherAgent(self.output\_dir, self.websocket, self.stream\_output, self.headers)  
        human\_agent = HumanAgent(self.websocket, self.stream\_output, self.headers)  
  
        # 创建一个LangGraph的workflow  
        workflow = StateGraph(ResearchState)  
  
        # 增加Graph中的节点（参考Graph设计图）  
        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  
        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"})  
  
        return workflow

注意到这里有个 条件边（conditional_edge） ，用来根据人类的不同反馈决定下一步的动作（继续还是重新做初步研究）。

【并行子流程：子课题研究】

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深入研究。这可以 通过并行的方式启动多个子研究任务来完成，以提升速度与效率 。为了能够实现并行，需要设计并开发一个独立的 子Workflow ，且其运行时不会相互影响，也不会影响到主流程。这个子Workflow创建如下：


          
...并行运行的子workflow...
          
async def run_parallel_research(self, research_state: dict):        # 创建agent        research_agent = ResearchAgent(self.websocket, self.stream_output, self.headers)        reviewer_agent = ReviewerAgent(self.websocket, self.stream_output, self.headers)        reviser_agent = ReviserAgent(self.websocket, self.stream_output, self.headers)        # 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()...

需要注意的是为了让每个子任务运行时具有独立的状态，必须设计一个用于子Workflow的State（即代码中的DraftState）对象，用来保存子任务运行过程中的子课题、草稿内容、审查结果、修订说明等。

【Agent设计】

在这个多智能体系统中，AI的职责被设计与分工到不同的Agent，因此单个Agent的功能其实是比较简单的，而且这里除了browser与researcher这两个Agent（这两个借助了现成的GPT-Researcher库），不需要借助外部的Tools，只需要借助大模型提示来完成即可。以上面的planner这个agent的实现为例，其动作提示词如下（翻译成中文）：


        
            

          ...  
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。你的主要任务是根据初步的研究总结来规划文章的章节布局。\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"{f'人工反馈: {human\_feedback}。你必须基于人工反馈规划章节。' if include\_human\_feedback else ''}\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"你最多只能生成 {max\_sections} 个章节标题。\n"  
               f"你必须只关注相关的研究主题作为子标题，并且不要包括引言、结论和参考文献。\n"  
               f"你必须仅返回一个包含以下字段的JSON：'title' (字符串类型的研究标题) 和 "  
               f"'sections' (最多 {max\_sections} 个章节标题)，结构如下："  
               f"'{{title: string 研究标题, date: 今天的日期, "  
               f"sections: ['章节标题 1', '章节标题 2', '章节标题 3' ...]}}。\n"  
}]

而对于“人类”这个特殊的角色，无需借助大模型，简单的获得人类反馈信息即可，并保存到State对象即可：


        
            

          async def review\_plan(self, research\_state: dict):  
        layout = research\_state.get("sections")  
  
        user\_feedback = None          
        user\_feedback = input(f"Any feedback on this plan? {layout}? If not, please reply with 'no'.\n>> ")  
          
        if user\_feedback and "no" in user\_feedback.lower():  
            user\_feedback = None  
  
        return {"human\_feedback": user\_feedback}

其他的Agent可以参考项目的详细代码，这里不再做一一介绍。

最后，在完成Agent与Workflow的创建后，就可以运行已经创建好的Workflow，输入任务信息即可启动一个自主运行的AI研究助理，等待最终输出即可（中间需要给出人类的确认反馈）。


        
            

          ...  
#创建主workflow  
research\_team = init\_research\_team()  
chain = research\_team.compile()  
result = await chain.ainvoke({"task": "研究任务"})

以上介绍了一个基于LangGraph与GPT-Researcher项目构建的多智能体AI研究助理，用来根据输入的任务自主的借助互联网进行规划、研究、反思、修订并最终输出研究报告。这个项目很好地演示了多智能体系统的应用场景，以及LangGraph与GPT-Researcher项目的应用。有兴趣的朋友可以参考源项目做进一步探索：

https://github.com/assafelovic/gpt-researcher/tree/master/multi\_agents

picture.image

END

点击下方关注我，不迷路

交流请识别以下名片并说明来源

picture.image