Данный репозиторий основан на https://github.com/langchain-ai/ollama-deep-researcher
Мультиязычный исследовательский ассистент на базе LangGraph и LangSmith SDK со структурированным выводом и итеративным интернет поиском за него отвечает Сервис tavily.
Short summary:
0218.mp4
- LLM Данная реализация работает c удаленным vLLM контуром https://github.com/vllm-project/vllm
- Данна реализация использует Сервис tavily после регистрации предоставляет 1000 реквестов беслпатно!
Установка LangGraph CLI
pip install -U "langgraph-cli[inmem]"Установка проекта
pip install -e .Создайте файл .env:
# Search API Configuration
TAVILY_API_KEY=your_tavily_key_here
# LLM Configuration
LLM_API_KEY=your_api_key_here
LLM_API_BASE=https://your-vllm-server/v1
LOCAL_LLM=your_model_nameЛокальный запуск
langgraph dev- Локально: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- На сервере: https://smith.langchain.com/studio/?baseUrl=https://your-domain.com
Все промпты можно найти в prompts.py
{
"type": "object",
"properties": {
"language": {"type": "string"}, # Название языка
"language_code": {"type": "string"} # ISO код языка
}
}{
"type": "object",
"properties": {
"query": {"type": "string"}, # Запрос
"aspect": {"type": "string"}, # Аспект
"rationale": {"type": "string"} # Обоснование
}
}{
"type": "object",
"properties": {
"summary": {"type": "string"} # Резюме
}
}{
"type": "object",
"properties": {
"knowledge_gap": {"type": "string"}, # Пробел в знаниях
"follow_up_query": {"type": "string"} # Следующий запрос
}
}# LLM параметры
max_tokens = 2000 # Токены для LLM ответа
temperature = 0 # Креативность отключена
# Tavily параметры
search_depth = "advanced" # Глубина поиска
max_results = 1 # Количество результатов
max_tokens = 8000 # Токены в результатах
tokens_per_source = 1000 # Токены на источник
# Цикл исследования
max_web_research_loops = 3 # Максимум итераций1. START -> detect_language
- Определение языка входного запроса
- Сохранение языка в состоянии
2. detect_language -> generate_query
- Генерация поискового запроса на определенном языке
- Структурированный вывод с query/aspect/rationale
3. generate_query -> web_research
- Поиск через Tavily API
- Учет языка в параметрах поиска
- Ограничение токенов и форматирование результатов
4. web_research -> summarize_sources
- Суммаризация найденной информации
- Сохранение контекста предыдущих итераций
- Вывод на языке запроса
5. summarize_sources -> reflect_on_summary
- Анализ пробелов в информации
- Генерация следующего запроса
- Проверка количества итераций
6. reflect_on_summary -> [web_research или finalize_summary]
- Если iterations <= 3: новый цикл поиска
- Иначе: финализация результатов
7. finalize_summary -> END
- Форматирование итогового отчета
- Добавление источников
.
├── src/
│ └── assistant/
│ ├── configuration.py # Конфигурация
│ ├── graph.py # Основной граф
│ ├── prompts.py # Промпты
│ ├── state.py # Состояние
│ └── utils.py # Утилиты
├── .env # Переменные окружения
└── langgraph.json # Конфигурация LangGraph
- Введите исследовательский запрос на любом языке
- Система автоматически определит язык
- Выполнит несколько итераций поиска (максимум 3)
- Предоставит структурированный отчет на языке запроса
- Максимум 3 итерации исследования
- 2000 токенов на ответ LLM
- 8000 токенов в результатах поиска
- 1000 токенов на источник
- Поддерживаются языки, доступные в Tavily API