Gemini Fullstack LangGraph Quickstart

Gemini Fullstack LangGraph Quickstart 是谷歌 DeepMind 开源的全栈 AI 研究助手项目，结合了 Gemini 2.5 模型 和 LangGraph 框架，旨在帮助用户快速构建研究增强的对话式 AI。它通过动态生成搜索查询、利用 Google Search API 获取信息、分析搜索结果中的知识空白，并迭代优化搜索策略，最终提供有充分引用支持的答案。该项目适用于学术研究、知识问答、智能客服等场景，为开发者提供了一个快速启动的模板。

功能特点

动态查询生成
- 基于用户输入，使用 Gemini 模型生成初始搜索查询，确保信息收集的全面性。
网络研究与知识空白分析
- 通过 Google Search API 获取相关网页信息，并分析搜索结果，识别信息是否充分或存在知识空白。
迭代优化
- 如果有知识空白，系统会生成后续查询，并重复搜索和分析步骤，直至信息充分。
答案带引用
- 生成的答案包含来自网络来源的引用，确保信息的准确性和可追溯性。
全栈实现
- 前端使用 React 和 Vite，后端使用 LangGraph 和 FastAPI，支持快速开发和部署。
支持不同搜索强度
- 可调节搜索的广度和深度，满足不同用户的需求。

优缺点分析

优点：

高效研究：通过动态查询和迭代优化，显著提升研究效率。
信息准确：答案包含引用，确保信息的可靠性。
灵活定制：支持自定义搜索策略和答案生成格式。
开源免费：项目在 Apache License 2.0 下发布，可自由使用和修改。

缺点：

依赖 Google API：需要 Google Search API 密钥，可能受限于 API 的可用性和配额。
学习成本：需熟悉 React、LangGraph 等技术栈，对新手有一定门槛。
资源需求：运行项目需要一定的计算资源，尤其是处理大规模搜索时。

主要应用场景

学术研究助手
- 用于生成研究论文的初步资料收集和分析。
知识问答系统
- 在线教育平台中的问答系统，提供详细的答案及引用。
智能客服
- 对客户查询提供深入的分析和解答，增强客户服务质量。
个人助理
- 为用户提供个性化的研究服务，如市场分析、健康咨询等。

使用方法

环境准备
- 安装 Node.js 和 npm（或 yarn/pnpm）、Python 3.8 或更高版本。
- 准备 Google Gemini API 密钥。
克隆项目
- 从 GitHub 克隆项目仓库：git clone https://github.com/google-gemini/gemini-fullstack-langgraph-quickstart.git cd gemini-fullstack-langgraph-quickstart
安装依赖
- 分别安装前端和后端的依赖：# 前端依赖 cd frontend npm install # 后端依赖 cd ../backend pip install -r requirements.txt
配置环境变量
- 复制 .env.example 为 .env，并填写 Google Gemini API 密钥。
启动开发服务器
- 使用 make dev 命令启动前后端开发服务器。
访问应用
- 在浏览器中访问 http://localhost:3000，开始使用 Gemini Fullstack LangGraph Quickstart。