原文：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 - 百度智能云千帆社区
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。
业务场景
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
架构设计
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。
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：
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
基于LangGraph的实现
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。
如果对LangGraph不熟悉，请参考以下两篇：
【Graph设计】
这里对上面的AI研究助理设计Graph图如下：
【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：
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）
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：
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）：
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：
Plain Text
收起
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）。
Plain Text
收起
...
#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