本以为Google只是简单放个Demo，哪想到是”开源版”Perplexity！

推荐语

Google开源了全栈智能研究助手Gemini Fullstack LangGraph，实现自动生成搜索词、检索信息、识别知识盲区，输出权威引用答案。

核心内容：
1. Gemini Fullstack LangGraph项目介绍及集成组件
2. LangGraph智能体的“反思—补全—再反思”循环机制
3. LangGraph工具的基本使用和核心概念

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

本以为Google只是简单放个Demo，哪想到”开源版的Perplexity“

Google最近开源了一个名叫Gemini Fullstack LangGraph的全栈项目。

这个项目集成了 Google Gemini 2.5 大模型和 LangGraph 框架的全栈智能研究助手。

前端React ，后 FastAPI 与 LangGraph，实现“研究增强型”对话式 AI。

提出问题后自动生成搜索词，调用 Google Search API 检索信息，用大模型反思结果、识别知识盲区、不断补全，最终输出带有权威引用的答案。

整个架构的核心是“LangGraph 智能体”。

它不仅能根据用户输入自动生成多组搜索词，还能分析每轮检索结果，判断是否存在知识盲区。

如果信息不够充分，智能体会自动生成下一轮更精准的搜索词，直到收集到足够支撑答案的资料为止。

形成了一种“反思—补全—再反思”的循环，比常规的只会爬取和粗略总结的所谓代理要强很多。

项目支持 Docker 和 docker-compose 一键部署。

对于想做类似深度思考的个人或者企业完全必要从头开始了，改一下就可以直接投入运营。

项目仓库的根目录中有一个docker-compose.yml，可以一键拉起整个项目：

GEMINI_API_KEY=<your_gemini_api_key> LANGSMITH_API_KEY=<your_langsmith_api_key> docker-compose up

运行完成后

以“Grok 3.5 什么时候发布？” 为任务来进行全网的搜索。

执行过程对于每个查询，它使用Gemini模型和Google Search API来查找相关的网页。

按官方说法， 如果发现差距或信息不足，它会生成后续查询并重复网络研究和反思步骤，最多达到配置的最大循环次数。

一旦研究被认为足够，代理会将收集的信息合成为连贯的答案，包括来自网络来源的引用，使用Gemini模型。

测试结果，时间准确而且引用内容还比较的权威可靠，不会乱答一气。

上次字节开源的DeepSearch也是用的langgraph，两个大厂同时采用这个技术必有其过人之处，下面简单演示一下langgraph的基本使用。

LangGraph 是 LangChain 团队推出的一个工具，专门用来编排AI工作流，简单来讲就是用代码画流程图，让多个 AI 模型、工具、逻辑步骤按顺序或条件执行，完成复杂任务。

比如：

-先让 GPT-4 分析用户问题，
-然后根据结果调用搜索引擎查资料，
-最后用 Claude 3 总结答案。

要实现上面的逻辑用普通代码写，可能会又臭又长。

而 LangGraph像搭积木一样，把这些步骤连起来，还能处理循环、分支、并行等复杂逻辑。

核心概念：

• 节点（Node）：一个步骤（比如调用一次 AI、查数据库、判断条件）。
• 边（Edge）：箭头，决定下一步走哪儿（比如“如果用户骂人，就结束对话”）。
• 状态（State）：共享的数据包，所有步骤都能读写它（比如用户问题、AI 的中间结果）。

节点添加过程，就和界面连线一样，串联数据和函数：

graph.add_node("analyze", analyze_user_input)  # 节点1：分析用户输入  
graph.add_node("search", call_search_api)     # 节点2：搜索  
graph.add_edge("analyze", "search")           # 箭头：分析完就搜索

完整概念版本

from langgraph.graph import StateGraph, START, END
from typing import TypedDict

# 定义状态 - 共享数据结构
class State(TypedDict):
    messages: list[str]

# 定义节点 - 处理函数
def say_hello(state: State):
    print("Hello World!")
    return {"messages": state["messages"] + ["Hello"]}

def say_goodbye(state: State):
    print("Goodbye World!")
    return {"messages": state["messages"] + ["Goodbye"]}

# 构建图
graph = StateGraph(State)
graph.add_node("hello", say_hello)
graph.add_node("goodbye", say_goodbye)

# 添加边 - 定义流程
graph.add_edge(START, "hello")
graph.add_edge("hello", "goodbye")
graph.add_edge("goodbye", END)

# 编译并执行
app = graph.compile()
result = app.invoke({"messages": []})
print(result)  # {'messages': ['Hello', 'Goodbye']}

用 LangGraph就非常简单构建了AI 工作流。

先是定义数据State，然后再定义处理这个数据的节点，也就是处理函数，接着通过构建图把各种节点进行连接，最后在这条流水线上拼接出结果。

实现起来非常的优雅和高效，很有代码版本的Coze的感觉。