用Groq搭建智能研究助手：结合LangGraph、工具调用、子代理和记忆功能

在本文中，我们将逐步构建一个基于Groq的智能研究代理工作流。该工作流直接使用Groq的免费OpenAI兼容推理端点，通过配置LangChain的ChatOpenAI接口，以Groq的API密钥和基础URL接入快速托管模型（如llama-3.3-70b-versatile）进行基于工具的逻辑推理。随后，我们为模型连接了多种实用工具：网页搜索、网页抓取、文件处理、Python代码执行、技能加载、子代理委派以及长期记忆。教程结束时，我们拥有一个可运行的多步骤Groq代理，能够研究主题、委派聚焦的子任务、生成结构化输出，并为后续运行保存有用信息。

我们首先在Colab中搭建了一个沙盒项目目录，用于组织上传文件、工作区、输出、技能和记忆。Sandbox路径为/content/deerflow_sandbox，包含uploads、workspace、outputs、skills/public、skills/custom和memory子目录。我们还定义了路径安全检查函数_safe()，确保所有文件操作都在沙盒范围内。接着，我们定义了三种可复用技能：research（多源网页研究并生成结构化笔记）、report-generation（将研究笔记综合为Markdown报告）、code-execution（在沙盒中运行Python代码）。这些技能通过register_skill函数注册到全局SKILLS字典中。同时，我们初始化了一个简单的JSON长期记忆文件long_term.json，用于跨多次运行存储事实和偏好。

核心工具集包括：list_skills（列出所有技能描述）、load_skill（加载特定技能的SKILL.md内容）、web_search（通过DuckDuckGo搜索网页，返回标题、URL和摘要）、web_fetch（抓取URL并清理HTML，提取纯文本）、file_write（写入文件到沙盒路径）、file_read（读取文件前8KB）、file_list（列出沙盒目录下的文件和文件夹）、python_exec（在沙盒环境中执行Python代码并捕获输出）、remember（将事实持久化到长期记忆）和recall（检索最近20条记忆）。这些工具使用LangChain的@tool装饰器定义，并绑定到Groq模型。

特别地，我们实现了子代理工具spawn_subagent，它允许主代理将聚焦的任务委派给一个隔离的助手，该助手拥有受限的工具集（默认为web_search、web_fetch、file_write、file_read）。子代理在独立的对话上下文中运行，无法访问主代理的历史，最终返回一个以“FINAL REPORT:”开头的结构化报告。这实现了任务的并行化和关注点分离。

我们将所有工具收集到ALL_TOOLS列表中，并定义了一个领导系统提示LEAD_SYSTEM，赋予代理名称“DeerFlow-Lite”。系统提示描述了沙盒布局、操作原则（如对于复杂任务先列出技能再加载执行）、使用子代理进行聚焦子任务、将中间结果保存到workspace/、将最终交付物保存到outputs/，以及使用remember()跨会话保存知识。

我们使用LangGraph构建工作流：定义AgentState类型（包含消息列表），创建agent节点（调用绑定工具的LLM），创建tools节点（执行工具调用），并通过条件边让代理在推理和工具执行之间循环，直到不再调用工具为止。编译后的图对象APP代表整个代理。

最后，我们实现了run()函数来执行任务，它流式处理每个步骤，打印工具调用和输出。我们运行了一个演示任务：要求代理研究2025年小型语言模型（SLM）的简报。代理依次执行：发现技能、生成子研究代理收集三个知名SLM的详细信息（包括大小、基准测试和用例）、加载报告生成技能编写简报、将关键要点保存到长期记忆，并总结结果。整个流程展示了代理的自主工作能力。

总而言之，我们创建了一个紧凑而强大的Groq代理框架，演示了Groq的OpenAI兼容API如何作为高级LLM工作流的快速、可访问后端。利用LangGraph管理代理循环，LangChain绑定工具，以及自定义Python工具赋予系统对搜索、文件、代码执行和记忆的受控访问。隔离的子代理有效处理聚焦研究任务，而主代理协调整体工作流。该框架可扩展为研究助手、自动化简报生成器以及多步骤AI应用。

访问完整代码和笔记本请参考原文链接。关注我们的Twitter，加入130k+ ML SubReddit或订阅Newsletter。Telegram用户也可加入Telegram群组。