- 💬 具有 React 前端和 LangGraph 后端的全栈应用程序。
- 🧠 由 LangGraph 代理提供支持，用于高级研究和会话式 AI。
- 🔍 使用 Google Gemini 模型生成动态搜索查询。
- 🌐 通过 Google 搜索 API 集成网络研究。
- 🤔 通过反思推理来发现知识差距并改进搜索。
- 📄 根据收集到的来源的引文生成答案。
- 🔄 在开发过程中对前端和后端开发进行热加载。
后端的核心是 中定义的 LangGraph 代理backend/src/agent/graph.py。它遵循以下步骤：
- 生成初始查询：根据您的输入，它使用 Gemini 模型生成一组初始搜索查询。
- 网络研究：对于每个查询，它使用 Gemini 模型和 Google 搜索 API 来查找相关的网页。
- 反思与知识差距分析：代理会分析搜索结果，以确定信息是否充足或是否存在知识差距。它使用 Gemini 模型进行此反思过程。
- 迭代细化：如果发现差距或信息不足，它会生成后续查询并重复网络研究和反思步骤（最多配置的最大循环次数）。
- 最终确定答案：一旦研究被认为充分，代理就会使用 Gemini 模型将收集到的信息综合成一个连贯的答案，包括来自网络来源的引用。
hhttps://github.com/google-gemini/gemini-fullstack-langgraph-quickstart
（文：PaperAgent）