LangGraph 研究助手
基于 LangGraph 的多 Agent 研究系统，支持多源搜索、信息整合、报告生成，可断点续传。
项目概述
深度研究是一项高难度任务——从一个模糊的问题出发，需要经历问题分解、多源搜索、信息筛选、交叉验证、综合分析等多个步骤。整个过程耗时数小时甚至数天，且容易遗漏关键信息。
本案例构建了一个基于 LangGraph 的多 Agent 研究系统。从问题分析开始，多个专用 Agent 分工协作：搜索 Agent 并行搜多源信息，验证 Agent 交叉核对事实，写作 Agent 整合成结构化报告。支持断点续传。
关键指标
系统架构
LangGraph 图结构定义研究流程的节点和边。每个 Agent 是一个图节点，条件边实现动态跳转和分支。
(diagram)
实现细节
研究流程编排
问题分解
入口 Agent 分析用户问题，拆解为可独立研究的子问题。每个子问题附带搜索方向和评估标准。
图结构设计
LangGraph 定义节点：AnalyzeProblem → SearchSources → ValidateInfo → Synthesize → GenerateReport。条件边实现"如果信息不充分则回到搜索"。
断点续传
LangGraph 原生支持 checkpoint：每个节点执行后保存状态。中断后可自动从最后一个完成的节点恢复。
多源搜索与验证
并行搜索
搜索 Agent 同时查询多个来源：搜索引擎、学术论文（arXiv）、技术博客、新闻、WIKIPEDIA。结果去重后统一格式。
信息筛选
相关性评分过滤器：URL 权威性、发布时间、内容与问题的语义匹配度。低于阈值的结果自动丢弃。
交叉验证
验证 Agent 对比多来源的同一事实，标记矛盾点。对存疑信息自动发起补充搜索。置信度低于 70% 的信息标注"待验证"。
报告生成
结构规划
写作 Agent 根据研究深度自动规划报告结构。浅层研究→摘要模式，深度研究→完整报告（引言/方法/发现/结论）。
内容撰写
每段文字附带引用来源。引用格式统一为 [来源名称，URL]。支持中英文报告输出。
质量审查
报告生成后经过自检：事实一致性、引用完整性、逻辑连贯性。检测到问题自动标记并触发修复。
LangGraph 图结构
from langgraph.graph import StateGraph, END
workflow = StateGraph(state_schema=ResearchState)
workflow.add_node("analyze", analyze_problem_node)
workflow.add_node("search", search_node)
workflow.add_node("validate", validate_node)
workflow.add_node("synthesize", synthesize_node)
workflow.add_node("generate", generate_report_node)
workflow.set_entry_point("analyze")
workflow.add_edge("analyze", "search")
workflow.add_conditional_edges("validate", decide_next, {
"more_search": "search",
"synthesize": "synthesize"
})
workflow.add_edge("synthesize", "generate")
workflow.add_edge("generate", END)
app = workflow.compile(checkpointer=checkpointer)经验教训
- 图结构的灵活性比线性流程重要得多
- 信息验证是瓶颈 — 不建议对所有事实都做交叉验证，只对关键声明做
- 断点续传在长时间研究任务中非常值得
- 报告风格需要可配置