DeepSearch AI Agent：将简单请求转化为专业文章的AI内容创作助手

DeepSearch AI Agent是一个高级人工智能内容创作助手。 它使用LangGraph和FastAPI技术构建。 这个工具和一般的问答机器人不一样。 它模仿一个专家团队的工作流程，通过“思考-规划-研究-写作”的循环，能将用户提出的一个简单请求，转变成一篇结构完整、内容有深度的专业文章、教程或者技术博客。 整个系统前后端分离，后端通过FastAPI处理逻辑，前端使用React来展示界面，两者之间通过实时流式技术进行通信，用户可以实时看到文章生成的过程。 这个项目的设计具有高扩展性，可以很方便地增加新的功能节点，比如增加人工评审或自动修正的环节，来实现更复杂的智能代理逻辑。

Function List

• 动态叙事规划：在动笔之前，AI会对主题进行分析，判断内容类型（例如是技术类还是历史类），然后设计一个最合适的叙事结构，避免使用生硬的模板。
• 专家级大纲生成：工具可以生成章节标题自然、能吸引人的文章大纲，就像是真人专家写的一样，而不是冷冰冰的任务描述。
• 主管-执行者工作流：系统内部有两个主要角色，“研究主管”和“写作主管”。它们分别调度执行者去完成具体的研究和写作任务，这个设计使得整个流程清晰，也容易控制。
• 精准的资料引用与检索：写作AI会使用范围化的RAG工具，这意味着它只查询和当前章节最相关的研究资料，保证了信息的准确性。
• 学术级引用格式：系统能自动处理引用来源。它会在文章正文中生成可点击的引用标记（例如[1]），并在文章末尾统一生成格式规范的参考文献列表。
• Real-time progress updates：后端会通过Server-Sent Events（SSE）技术，把任务进度、新写好的章节内容和参考文献等信息实时推送到前端界面上。
• 现代化技术栈：项目使用了当前流行的前后端技术，后端主要依靠Python的FastAPI和LangGraph，前端则使用React和TypeScript。

Using Help

DeepSearch AI Agent是一个前后端分离的项目，你需要分别对后端和前端进行设置和启动。下面是详细的操作步骤，让你能够从零开始成功运行它。

第一步：准备工作

Before you begin, make sure you have the following software installed on your computer:

• Python (3.9或更高版本)
• Node.js cap (a poem) npm (用于运行前端)
• Git (用于克隆代码仓库)

第二步：获取项目代码

打开你的终端（在Windows上是命令提示符或PowerShell，在macOS或Linux上是终端），然后克隆代码仓库到你的本地电脑。

git clone https://github.com/LordFoxFairy/deepseek_deepsearch_quickstart.git

Once the cloning is complete, go to the project directory:

cd deepseek_deepsearch_quickstart

第三步：后端设置

后端负责所有的AI逻辑处理，包括规划、研究和写作。

1. 进入后端目录
   在项目根目录（deepseek_deepsearch_quickstart）下，首先进入backendCatalog.

   cd backend
   

2. Create and activate a Python virtual environment
   为了不污染你电脑上全局的Python环境，我们强烈建议创建一个虚拟环境。

   python -m venv venv
   

   这条命令会创建一个名为venv的文件夹。接下来，你需要激活它：

   • exist Windows (computer) 系统上，运行：

     .\venv\Scripts\activate
     

   • exist macOS maybe Linux 系统上，运行：

     source venv/bin/activate
     

   激活成功后，你会在终端的命令提示符前面看到(venv)的字样。

3. Installation of dependency packages
   后端所需的所有Python库都记录在requirements.txt文件中。运行以下命令来安装它们：

   pip install -r requirements.txt
   

4. Configuring the API Key
   这个项目需要用到AI模型的API密钥才能工作。你需要配置两个关键的API密钥。
   First, in thebackend/src/目录下，找到一个名为.env.example的文件。你需要复制它并重命名为.envThe
   • exist Windows (computer) 上：

     copy .\src\.env.example .\src\.env
     

   • exist macOS maybe Linux 上：

     cp src/.env.example src/.env
     

   然后，用你的代码编辑器打开这个新的.env文件，你会看到以下内容：

   # backend/src/.env
   # 用于 RAG 嵌入
   DASH_SCOPE_API_KEY=sk-your-dashscope-api-key
   # 用于 LLM 推理
   DEEPSEEK_API_KEY=sk-your-deepseek-api-key
   DEEPSEEK_BASE_URL=https://api.deepseek.com
   

   你需要将sk-your-dashscope-api-keycap (a poem)sk-your-deepseek-api-key替换成你自己的真实密钥。DASH_SCOPE_API_KEY用于文本嵌入（RAG功能），DEEPSEEK_API_KEY用于大语言模型的推理。

第四步：前端设置

前端负责提供用户交互的界面。

1. 进入前端目录
   打开一个新的终端窗口，或者在之前的终端里先返回项目根目录(cd ..)，然后进入frontendCatalog.

   cd frontend
   

2. Installation of dependency packages
   前端使用Node.js环境，所需依赖都记录在package.json文件中。运行以下命令进行安装：

   npm install
   

   这个过程可能会需要几分钟。

第五步：运行应用

现在，前后端的准备工作都已完成，我们可以启动应用了。你需要保持两个终端窗口同时运行。

1. 启动后端服务 (在第一个终端)
   确保你当前在backend目录下，并且Python虚拟环境已经激活。然后运行以下命令：

   uvicorn src.api.main:app --host 0.0.0.0 --port 8000 --reload
   

   • uvicorn是一个ASGI服务器，用于运行FastAPI应用。
   • --host 0.0.0.0让服务可以在你的局域网内被访问。
   • --port 8000指定了服务的端口号。
   • --reload参数表示当代码文件发生变化时，服务会自动重启，非常适合开发环境。
2. 启动前端服务 (在第二个终端)
   确保你当前在frontend目录下。然后运行以下命令：

   npm run dev
   

   这个命令会启动一个本地开发服务器，通常会监听在5173Ports.

第六步：开始体验

当两个服务都成功启动后，打开你的浏览器，访问以下地址：
http://localhost:5173
现在你应该能看到DeepSearch AI Agent的操作界面了。在输入框中输入一个你想要生成文章的主题，然后点击发送，AI就会开始它的“思考-规划-研究-写作”流程，并在界面上实时展示它的工作进度和最终生成的文章。

application scenario

1. content creator
   对于需要撰写深度文章、教程或博客的个人或团队，这个工具可以作为一个强大的起点。用户只需提供一个核心主题，AI就能自动完成资料研究、结构规划和初稿撰写，极大地提高了内容创作的效率和质量。
2. Technical Documentation
   软件开发者或技术写作人员可以用它来快速生成技术文档的初稿。例如，输入一个关于“如何使用某个API”的请求，系统可以自动生成一篇包含背景介绍、安装步骤、功能详解和代码示例的完整教程。
3. Education and training
   教师或培训师可以利用这个工具为课程快速创建学习材料。无论是历史事件的详细介绍，还是复杂科学概念的通俗解释，AI都能生成结构清晰、内容详实的文章，作为教材或补充读物。

QA

1. 这个项目需要付费吗？
   项目本身是开源的，可以免费使用。但它依赖于第三方的AI模型服务（如DeepSeek和DashScope），你需要拥有这些服务的API密钥，并根据这些服务商的定价策略支付API调用费用。
2. 我可以替换成其他的大语言模型吗？
   可以。这个项目的架构设计是灵活的，兼容各类大语言模型。你可以在后端的代码中修改调用模型的部分，将其替换成你偏好的模型，例如OpenAI的GPT系列或其他模型。
3. 生成文章的质量如何保证？
   系统通过一个“主管-执行者”模式来保证质量。 它首先进行深入的研究规划，然后利用RAG（检索增强生成）技术确保写作内容基于准确的资料。 同时，它会自动处理引用和参考文献，保证了内容的可溯源性。