Google刚刚开源的这个项目，短短三天就斩获了14000多颗星，对于想理解并实践deepresearch的同学来说，简直是一大福音。快来看看吧，动手实践一下，马上可以集成到你自己的项目中，实现你的梦想。

Gemini Fullstack LangGraph Quickstart

该项目演示了一个使用 React 前端和 LangGraph 驱动的后端代理的全栈应用程序。该代理旨在通过动态生成搜索词、使用 Google 搜索进行网页查询、反思搜索结果以识别知识缺口，并不断优化搜索，直到能够提供包含引文的、支持充分的答案，从而对用户查询进行全面的研究。此应用程序是使用 LangGraph 和 Google Gemini 模型构建研究增强型对话式 AI 的示例。

特征

💬 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进行热加载。

项目结构

该项目分为两个主要目录：

frontend/：包含使用 Vite 构建的 React 应用程序。
backend/：包含 LangGraph/FastAPI 应用程序，包括研究代理逻辑。

入门：开发和本地测试

按照以下步骤使应用程序在本地运行以进行开发和测试。

1. 先决条件：

Node.js 和 npm（或 yarn/pnpm）
Python 3.11+
GEMINI_API_KEY：后端代理需要 Google Gemini API 密钥。

导航到backend/目录。
.env通过复制文件来创建一个名为的文件backend/.env.example。
打开.env文件并添加您的 Gemini API 密钥：GEMINI_API_KEY="YOUR_ACTUAL_API_KEY"

2.安装依赖项：

后端：

cd backend
pip install .

前端：

cd frontend
npm install

3.运行开发服务器：

后端和前端：

make dev

这将运行后端和前端开发服务器。打开浏览器并导航到前端开发服务器的 URL（例如http://localhost:5173/app）。

或者，您可以分别运行后端和前端开发服务器。对于后端，请在backend/目录中打开一个终端并运行langgraph dev。后端 API 将在处可用http://127.0.0.1:2024。它还会打开一个浏览器窗口，指向 LangGraph UI。对于前端，请在目录中打开一个终端frontend/并运行npm run dev。前端将在处可用http://localhost:5173。

后端代理的工作原理（高级）

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 Ge