Gemini Fullstack LangGraph Quickstart SITES

// 01 Gemini Fullstack LangGraph Quickstart 是什么

Gemini Fullstack LangGraph Quickstart 是由 Google 开源的全栈 AI 智能体示例项目，结合了 Gemini 2.5 大模型与 LangGraph 框架，旨在构建具备深度搜索与智能研究能力的对话式 AI 系统。该项目集成了 React 前端和 LangGraph 驱动的 FastAPI 后端，能够根据用户输入自动生成搜索查询，进行多轮 Web 检索与反思，最终输出带有权威引用的答案。 

🚀 如何使用？

1. 环境准备：

   • 安装 Node.js、npm（或 yarn/pnpm）、Python 3.8+。

   • 获取 Google Gemini API 密钥，并在 backend/.env 文件中设置 GEMINI_API_KEY。

2. 安装依赖：

   • 后端：

     bash

     cd backend
pip install .


   • 前端：

     bash

     cd frontend
npm install


3. 运行开发服务器：

   • 使用 Makefile 一键启动：

     bash

     make dev


   • 或分别启动前后端开发服务器：

     • 后端：

       bash

       cd backend
langgraph dev


     • 前端：

       bash

       cd frontend
npm run dev


4. 访问应用：

   • 在浏览器中访问 http://localhost:5173/app 查看前端界面。

🔧 主要功能

• 全栈架构：结合 React 前端与 LangGraph 驱动的 FastAPI 后端，实现完整的用户交互与数据处理流程。

• 智能研究代理：后端智能体能够根据用户输入自动生成搜索查询，进行多轮 Web 检索与反思，识别知识盲区，迭代优化搜索策略。

• 权威引用答案：最终输出的答案包含来自 Web 的权威引用，增强信息的可信度。

• 热重载支持：开发过程中支持前后端热重载，提高开发效率。

🧠 技术原理

该项目的核心是一个基于 LangGraph 的智能体，工作流程如下：

1. 生成初始查询：根据用户输入，使用 Gemini 模型生成初始搜索查询。

2. Web 检索：通过 Google Search API 进行 Web 检索，获取相关信息。

3. 反思与知识盲区分析：分析检索结果，判断是否存在知识盲区，使用 Gemini 模型进行反思。

4. 迭代优化：如有必要，生成新的搜索查询，重复检索与反思过程，直到信息充分。

5. 生成答案：整合收集到的信息，生成包含权威引用的答案。

在生产环境中，后端服务器还依赖 Redis 和 PostgreSQL：

• Redis：作为发布-订阅代理，支持实时输出流。

• PostgreSQL：用于存储助手、线程、运行状态、持久化线程状态和长期记忆，以及管理后台任务队列的状态。

有关部署的详细信息，请参考 LangGraph 文档。

🌐 应用场景

• 研究增强型对话 AI：构建能够进行深入研究并提供权威引用答案的对话系统。

• 企业知识管理：自动化信息检索与整合，提升企业知识管理效率。

• 学术研究助手：辅助研究人员进行文献检索与信息整合。

• 教育辅助工具：为学生提供基于权威信息的学习支持。

🔗 项目地址

• GitHub 仓库：https://github.com/google-gemini/gemini-fullstack-langgraph-quickstar

// 04 常见 问题

// 05 资料 来源