用Groq搭建智慧研究助手：結合LangGraph、工具呼叫、子代理和記憶功能

在本文中，我們將逐步構建一個基於Groq的智慧研究代理工作流。該工作流直接使用Groq的免費OpenAI相容推理端點，透過配置LangChain的ChatOpenAI介面，以Groq的API金鑰和基礎URL接入快速託管模型（如llama-3.3-70b-versatile）進行基於工具的邏輯推理。隨後，我們為模型連線了多種實用工具：網頁搜尋、網頁抓取、檔案處理、Python程式碼執行、技能載入、子代理委派以及長期記憶。教程結束時，我們擁有一個可執行的多步驟Groq代理，能夠研究主題、委派聚焦的子任務、生成結構化輸出，併為後續執行儲存有用資訊。

我們首先在Colab中搭建了一個沙盒專案目錄，用於組織上傳檔案、工作區、輸出、技能和記憶。Sandbox路徑為/content/deerflow_sandbox，包含uploads、workspace、outputs、skills/public、skills/custom和memory子目錄。我們還定義了路徑安全檢查函式_safe()，確保所有檔案操作都在沙盒範圍內。接著，我們定義了三種可複用技能：research（多源網頁研究並生成結構化筆記）、report-generation（將研究筆記綜合為Markdown報告）、code-execution（在沙盒中執行Python程式碼）。這些技能透過register_skill函式註冊到全域性SKILLS字典中。同時，我們初始化了一個簡單的JSON長期記憶檔案long_term.json，用於跨多次執行儲存事實和偏好。

核心工具集包括：list_skills（列出所有技能描述）、load_skill（載入特定技能的SKILL.md內容）、web_search（透過DuckDuckGo搜尋網頁，返回標題、URL和摘要）、web_fetch（抓取URL並清理HTML，提取純文本）、file_write（寫入檔案到沙盒路徑）、file_read（讀取檔案前8KB）、file_list（列出沙盒目錄下的檔案和資料夾）、python_exec（在沙盒環境中執行Python程式碼並捕獲輸出）、remember（將事實持久化到長期記憶）和recall（檢索最近20條記憶）。這些工具使用LangChain的@tool裝飾器定義，並繫結到Groq模型。

特別地，我們實現了子代理工具spawn_subagent，它允許主代理將聚焦的任務委派給一個隔離的助手，該助手擁有受限的工具集（預設為web_search、web_fetch、file_write、file_read）。子代理在獨立的對話上下文中執行，無法訪問主代理的歷史，最終返回一個以“FINAL REPORT:”開頭的結構化報告。這實現了任務的並行化和關注點分離。

我們將所有工具收集到ALL_TOOLS列表中，並定義了一個領導系統提示LEAD_SYSTEM，賦予代理名稱“DeerFlow-Lite”。系統提示描述了沙盒佈局、操作原則（如對於複雜任務先列出技能再載入執行）、使用子代理進行聚焦子任務、將中間結果儲存到workspace/、將最終交付物儲存到outputs/，以及使用remember()跨會話儲存知識。

我們使用LangGraph構建工作流：定義AgentState型別（包含訊息列表），建立agent節點（呼叫繫結工具的LLM），建立tools節點（執行工具呼叫），並透過條件邊讓代理在推理和工具執行之間迴圈，直到不再呼叫工具為止。編譯後的圖物件APP代表整個代理。

最後，我們實現了run()函式來執行任務，它流式處理每個步驟，列印工具呼叫和輸出。我們執行了一個演示任務：要求代理研究2025年小型語言模型（SLM）的簡報。代理依次執行：發現技能、生成子研究代理收集三個知名SLM的詳細資訊（包括大小、基準測試和用例）、載入報告生成技能編寫簡報、將關鍵要點儲存到長期記憶，並總結結果。整個流程展示了代理的自主工作能力。

總而言之，我們建立了一個緊湊而強大的Groq代理框架，演示了Groq的OpenAI相容API如何作為高階LLM工作流的快速、可訪問後端。利用LangGraph管理代理迴圈，LangChain繫結工具，以及自定義Python工具賦予系統對搜尋、檔案、程式碼執行和記憶的受控訪問。隔離的子代理有效處理聚焦研究任務，而主代理協調整體工作流。該框架可擴充套件為研究助手、自動化簡報生成器以及多步驟AI應用。

訪問完整程式碼和筆記本請參考原文連結。關注我們的Twitter，加入130k+ ML SubReddit或訂閱Newsletter。Telegram使用者也可加入Telegram群組。