告别低效调研：ollama-deep-researcher如何用LangGraph实现全流程自动化

【免费下载链接】ollama-deep-researcher Fully local web research and report writing assistant 项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-deep-researcher

你是否还在为手动收集资料、整理摘要、识别信息缺口而烦恼？作为一款完全本地化的网络研究助手，ollama-deep-researcher通过LangGraph工作流引擎，将「查询生成→网页搜索→内容摘要→缺口分析」的全流程自动化。本文将拆解其核心架构，带你掌握智能研究助手的设计精髓。

核心架构概览

ollama-deep-researcher采用模块化设计，核心逻辑集中在src/ollama_deep_researcher/目录下。系统通过LangGraph构建有状态工作流，配合本地大语言模型（LLM）和多源搜索能力，实现无需联网即可完成深度调研。

关键模块分工

• 状态管理：state.py定义工作流数据结构
• 配置中心：configuration.py管理LLM/搜索参数
• 工作流引擎：graph.py构建LangGraph节点与边
• 提示工程：prompts.py优化LLM输出质量

LangGraph工作流详解

1. 节点设计：5大核心功能单元

① 查询生成器（generate_query）

接收用户研究主题，通过LLM生成优化后的搜索查询。支持两种输出模式：

• 工具调用模式：通过结构化工具定义提取查询

  @tool
  class Query(BaseModel):
      query: str = Field(description="搜索查询字符串")
      rationale: str = Field(description="查询相关性解释")
  

• JSON模式：直接生成符合格式的JSON响应

② 网页研究员（web_research）

根据配置调用不同搜索引擎API：

if search_api == "tavily":
    search_results = tavily_search(...)
elif search_api == "perplexity":
    search_results = perplexity_search(...)
# 支持duckduckgo/searxng等多引擎

搜索结果通过deduplicate_and_format_sources去重处理，确保信息质量。

③ 摘要生成器（summarize_sources）

整合新搜索结果与历史摘要：

if existing_summary:
    human_message_content = f"<Existing Summary>{existing_summary}</Existing Summary>\n<New Context>{new_content}</New Context>"
else:
    human_message_content = f"<Context>{new_content}</Context>"

调用本地LLM生成增量更新的摘要内容。

④ 缺口分析器（reflect_on_summary）

通过反思机制识别知识缺口：

messages = [
    SystemMessage(content=reflection_instructions),
    HumanMessage(content=f"反思现有知识:\n{state.running_summary}\n识别缺口并生成后续查询")
]

生成针对性的补充搜索查询，驱动多轮调研。

⑤ 报告整理器（finalize_summary）

整合所有来源并格式化最终报告：

state.running_summary = f"## Summary\n{state.running_summary}\n\n### Sources:\n{all_sources}"

自动去重来源并添加引用标注。

2. 条件路由：智能控制研究深度

路由函数route_research决定工作流走向：

def route_research(state: SummaryState, config: RunnableConfig) -> Literal["finalize_summary", "web_research"]:
    if state.research_loop_count <= configurable.max_web_research_loops:
        return "web_research"  # 继续搜索
    else:
        return "finalize_summary"  # 结束调研

通过max_web_research_loops参数控制最大迭代次数（默认3次）。

3. 工作流编译

在graph.py末尾完成图编译：

builder = StateGraph(
    SummaryState,
    input=SummaryStateInput,
    output=SummaryStateOutput,
    config_schema=Configuration,
)
# 添加节点与边...
graph = builder.compile()

编译后的图通过langgraph.json配置暴露：

{
  "graphs": {
    "ollama_deep_researcher": "./src/ollama_deep_researcher/graph.py:graph"
  }
}

配置驱动的灵活架构

configuration.py实现全参数可配置：

配置项	作用	默认值
max_web_research_loops	最大研究迭代次数	3
local_llm	本地模型名称	llama3.2
llm_provider	LLM提供者	ollama
search_api	搜索引擎	duckduckgo
use_tool_calling	工具调用模式	False

支持从环境变量或运行时配置动态加载：

@classmethod
def from_runnable_config(cls, config: Optional[RunnableConfig] = None) -> "Configuration":
    raw_values: dict[str, Any] = {
        name: os.environ.get(name.upper(), configurable.get(name))
        for name in cls.model_fields.keys()
    }

实战应用：构建你的自动化研究助手

快速启动

1. 克隆仓库：git clone https://gitcode.com/GitHub_Trending/ol/ollama-deep-researcher
2. 配置环境：修改.env文件设置LLM参数
3. 运行工作流：通过LangGraph CLI启动研究任务

扩展建议

• 新增搜索源：在utils.py添加自定义搜索函数
• 优化提示词：修改prompts.py提升LLM输出质量
• 可视化调试：启用LangGraph UI观察工作流执行过程

总结与展望

ollama-deep-researcher通过LangGraph的有状态工作流能力，成功将复杂的研究过程抽象为可配置、可扩展的自动化流程。其核心价值在于：

1. 全本地化：保护数据隐私，无需上传敏感信息
2. 闭环迭代：自动识别信息缺口，实现深度调研
3. 灵活配置：支持多LLM/搜索引擎，适应不同场景

随着本地AI技术的发展，这类自动化研究工具将极大提升知识工作者的效率。下一期我们将深入探讨「提示工程优化策略」，敬请关注！

官方文档：docs/new_features_0.0.1.md
完整源码：src/ollama_deep_researcher/
项目许可证：LICENSE

【免费下载链接】ollama-deep-researcher Fully local web research and report writing assistant 项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-deep-researcher