company-research-agent
基于 LangGraph 多智能体框架的 AI 公司研究工具，输入公司名称即可自动生成完整尽调报告
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
基于 LangGraph 多智能体框架的 AI 公司研究工具，输入公司名称即可自动生成完整尽调报告
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一个场景：你的投资团队需要对一家陌生的科技公司做快速尽调，传统方式需要分析师花费数小时翻阅财报、新闻和行业报告——而现在，一个 AI 智能体系统只需输入公司名称，几分钟后就能输出一份结构完整的研究报告。Agentic Company Researcher 正是这样一款工具。
图1：项目 Web UI 界面
公司研究是一项高度结构化的信息综合任务。分析师通常需要从多个来源——公司官网、新闻报道、财务报表、行业分析——中提取关键信息，再将碎片拼合成一幅完整图景。这个过程机械重复，却对专业度要求极高。
Tavily 团队（知名的 AI 搜索 API 提供商）推出了这款开源工具，希望将这一流程自动化。项目的核心作者 Guy Hartstein 在 LinkedIn 和 GitHub 上持续活跃，项目从 2024 年上线至今已获得 1962 个 GitHub Stars，285 次 Fork，贡献者社区超过 237 次代码提交。这组数字说明市场对自动化公司研究工具确实存在真实需求。
项目采用 LangGraph（LangChain 的有向图扩展）构建研究管道，将任务分解为多个专业化节点，依次执行、相互配合。
图2：Agent 流程架构图
4 个专项研究节点并行工作，各自负责一个信息维度：
company.py)：研究公司核心业务信息——主营业务、产品线、商业模式、领导团队。industry.py)：分析市场定位——目标市场、竞争对手、市场规模与增长趋势。financial.py)：收集财务指标和业绩数据。news.py)：扫描最新新闻和发展动态。每个研究节点基于 Tavily Search API 做深度搜索，通过相关性评分过滤低质量内容（默认阈值 0.4）。
研究节点完成后，处理节点接管：
collector.py)：汇总所有分析器的研究数据。curator.py)：基于 Tavily 相关性评分做内容筛选、去重和标准化。briefing.py)：调用 Gemini 2.5 Flash 生成结构化简报摘要——Gemini 的大上下文窗口使其擅长处理大量原始数据。editor.py)：调用 GPT-5.1 进行报告格式化与内容编辑——GPT 在遵循精确格式指令方面表现出色。这种「双模型」设计利用了 Gemini 的长上下文处理能力 + GPT 的精确格式化能力，是当前 AI 工程实践中值得关注的架构选择。
图3：后端轮询架构
| 组件 | 技术选型 | 说明 |
|---|---|---|
| Web 框架 | FastAPI | 高性能异步 API，支持自动文档 |
| 智能体框架 | LangGraph (LangChain) | 有向图工作流编排 |
| 搜索服务 | Tavily Python SDK | AI 驱动的语义搜索 |
| LLM | Gemini 2.5 Flash + GPT-5.1 | 双模型架构 |
| 持久化 | MongoDB | 作业状态跟踪（可选） |
| PDF 生成 | ReportLab | 报告导出 |
| ASGI | Uvicorn | 生产级 ASGI 服务器 |
后端提供 RESTful API：
POST /research：提交研究请求（返回 job_id）GET /research/{job_id}/report：轮询研究报告POST /generate-pdf：将报告内容导出为 PDF前端通过轮询机制跟踪研究进度，支持实时报告流式传输和 PDF 下载。
项目提供完整容器化方案，docker-compose.yml 定义了 backend + frontend 两个服务：
services:
backend:
build: .
ports: ["8000:8000"]
env_file: .env
frontend:
image: node:20-slim
working_dir: /ui
command: sh -c "npm install && npm run dev"
ports: ["5174:5174"]
Dockerfile 采用三阶段构建：
部署仅需三步：
cp .env.example .env # 填入 API Key
docker compose up # 启动服务
# 访问 http://localhost:5174
MongoDB 为可选依赖，未配置时系统以内存模式运行。
1. API 成本依赖：项目本身免费开源，但运行依赖 Tavily、Gemini、OpenAI 三个付费 API。Gemini 2.5 Flash 单次调用成本较低，但大规模使用时需要关注用量。
2. 研究质量依赖搜索结果：如果 Tavily 对特定公司/行业的索引不够深入，输出报告的质量会受限。
3. 报告准确性：AI 生成内容可能存在幻觉（hallucination），建议将输出作为初稿而非最终结论。
4. 私密性问题：研究数据通过第三方 API 传输，如有高度敏感研究需求需评估合规风险。
Agentic Company Researcher 代表了一个明确趋势：AI Agent 正在从「单步问答」进化到「多步协作任务执行」。通过 LangGraph 的有向图结构，多个专业智能体能够像真实团队一样分工协作——有人搜集数据，有人过滤质量，有人汇总成文。
结合 Tavily 的语义搜索能力，这类工具正在将「信息综合」这一知识密集型工作压缩到分钟级别。对于投资机构、咨询公司、市场研究团队而言，这是一款值得关注的生产力工具。
本文档基于 GitHub 仓库 v0.1.0 版本编写，最后更新于 2026 年 6 月。