中文公司调研 Agent 🔍

🙏 本项目基于 guy-hartstein/company-research-agent (MIT License) 改造,由 Guy Hartstein 创作。

主要差异:

🇨🇳 国产原厂直连 —— 拿 DeepSeek / Qwen / Kimi 原厂 key 即可直跑,无需 OpenRouter / 代理(Phase 2)

🌏 LLM 走 OpenRouter —— 国内 DeepSeek / Qwen / Kimi / 智谱与国外 GPT / Claude / Gemini 通过同一接口切换

🇨🇳 Prompt 全量中文化 —— 不是机翻,人工重写,对国内模型更友好

🎨 UI 与示例公司中文化 —— 默认示例换成腾讯、字节、宁德时代、比亚迪

🔌 检索层抽象化 —— 引入 SearchProvider 接口,Phase 2 接 Bocha AI / AKShare / 巨潮资讯网 / 企查查等国内数据源不再动节点代码

一个多 agent 架构的中文公司调研工具:输入一家公司的名字 → 自动产出一份面向投资 / BD / 竞品分析场景的全面调研报告。技术上基于 LangGraph 编排,通过流水线式的多个 AI 节点采集、过滤并合成信息。

原版在线 Demo(英文,可参考效果):https://companyresearcher.tavily.com

✨ 特性

多源调研:从公司官网、新闻、财报、行业分析等多个来源采集信息
AI 内容过滤:基于检索引擎打分 + LLM 二次评估
异步处理:基于轮询/流式的进度跟踪架构
三段式 LLM 架构(每节点可独立配置模型):
- Researcher(搜集与初步分析)— 默认 deepseek-v4-flash,快且便宜,1M 上下文
- Briefing(分类摘要,长上下文)— 默认 qwen3.6-plus / qwen/qwen3.6-flash(走 OpenRouter)
- Editor(终稿编辑,严谨格式)— 默认 kimi-k2.5 / moonshotai/kimi-k2.6(走 OpenRouter)
现代 React 前端:进度跟踪、PDF 下载
模块化架构:每个 agent 是独立的 LangGraph 节点,易于替换扩展

🆚 与原版的差异

本项目并非简单翻译,而是围绕"中国用户调研中国公司"这一场景的针对性改造。

维度	原版(`guy-hartstein/company-research-agent`)	本项目
语言	英文 prompt + 英文 UI + 英文报告	中文 prompt + UI + 报告
Prompt 质量	英文(中文公司用英文 prompt 时模型偏向英文资料)	人工重写而非机翻,占位符与下游解析依赖的标题(`### 核心产品/服务` 等)同步迁移,对国产模型更友好
LLM provider	OpenAI(GPT 系列)+ Google(Gemini 系列)硬编码	统一 `LLMFactory.get_llm(role)`,国产原厂直连(DeepSeek / Qwen / Kimi / MiMo)+ OpenRouter 聚合 + OpenAI 兜底,启动期单 vendor 全包
模型成本控制	无	`LLM_MAX_TOKENS` 兜底避免 OpenRouter 按模型最大窗口预扣余额导致小余额账号 402
检索层	直接调 Tavily 客户端,5 个文件分散调用	`SearchProvider` 抽象接口,Tavily 收拢为默认 provider,新增 provider 无需改节点代码
启动校验	缺 key 运行时报错	启动期校验,中文报错并立即退出
默认示例	Apple、Stripe 等欧美公司	腾讯、字节跳动、宁德时代、比亚迪
国内可用性	需要科学上网调 OpenAI / Gemini	OpenRouter + 国产模型可纯境内跑通

🧠 Agent 框架

系统架构

flowchart TB
    UI["前端 React + Vite<br/>(ui/)"] -.HTTP / SSE.-> API
    subgraph Backend["FastAPI 后端(application.py)"]
        API["REST + SSE 接口<br/>POST /research · GET /stream"]
        Graph["LangGraph 编排<br/>(backend/graph.py)"]
        API --> Graph
        Graph --> Pipeline["10 节点 DAG<br/>见下方流水线"]
    end
    Pipeline --> LLM["LLMFactory.get_llm(role)<br/>(backend/services/llm_factory.py)"]
    Pipeline --> Search["SearchProvider<br/>(backend/services/search/)"]
    LLM -.单 vendor 全包<br/>启动期探测.-> Vendors
    Search --> Tavily[Tavily Search API]
    subgraph Vendors["LLM Vendor"]
        D[DeepSeek 原厂]
        Q[Qwen / 阿里百炼]
        K[Kimi / Moonshot]
        M[MiMo / 小米]
        OR[OpenRouter 聚合]
        OAI[OpenAI 兜底]
    end

调研流水线

10 个节点的有向无环图(DAG),并行 + 串行混合编排:

flowchart LR
    Input([用户输入<br/>公司名]) --> Grounding
    Grounding["GroundingNode<br/>Tavily Crawl 公司官网"] --> R1 & R2 & R3 & R4
    R1["CompanyAnalyzer<br/>核心业务 / 产品 / 团队"] --> Collector
    R2["IndustryAnalyzer<br/>行业地位 / 市场 / 竞品"] --> Collector
    R3["FinancialAnalyst<br/>融资 / 营收 / 估值"] --> Collector
    R4["NewsScanner<br/>近期新闻 / 事件"] --> Collector
    Collector["Collector<br/>汇总四路结果"] --> Curator["Curator<br/>相关性过滤 score≥0.4"]
    Curator --> Enricher["Enricher<br/>文档内容补全"]
    Enricher --> Briefing["Briefing × LLM<br/>4 份分类摘要"]
    Briefing --> Editor["Editor × LLM<br/>终稿编辑(流式)"]
    Editor --> Report([中文调研报告])

    classDef llmnode fill:#fff4e1,stroke:#d4a017
    classDef parallel fill:#e1f5ff,stroke:#0288d1
    class R1,R2,R3,R4 parallel
    class Briefing,Editor llmnode

入口节点 GroundingNode:从用户输入抓取公司官网做初步定位(Tavily Crawl)
4 个并行 Researcher:
- CompanyAnalyzer:核心业务、产品、团队
- IndustryAnalyzer:行业地位、市场趋势、竞品
- FinancialAnalyst:融资、营收、估值等财务指标
- NewsScanner:近期新闻与重要事件
后处理节点(串行):
- Collector:汇总四路 researcher 结果
- Curator:相关性过滤(默认阈值 0.4)
- Enricher:对入选文档做内容补全
- Briefing:生成 4 份分类摘要(用 briefing role LLM)
- Editor:整合为终稿(用 editor role LLM,流式输出)

内容生成架构(三段式 LLM)

不同节点对模型能力需求不同,本项目通过 LLMFactory.get_llm(role) 按角色绑定模型:

Role	OpenRouter 默认 slug	原厂直连默认(DeepSeek / Qwen / Kimi / MiMo)	用在哪
`researcher`	`deepseek/deepseek-v4-flash`	`deepseek-v4-flash` / `qwen3.6-flash` / `kimi-k2.5` / `mimo-v2.5-pro`	4 个 researcher 节点搜集与分析
`briefing`	`qwen/qwen3.6-flash`	`deepseek-v4-flash` / `qwen3.6-plus` / `kimi-k2-turbo-preview` / `mimo-v2.5-pro`	`briefing.py` 生成分类摘要
`editor`	`moonshotai/kimi-k2.6`	`deepseek-v4-flash` / `qwen3-max` / `kimi-k2.5` / `mimo-v2.5-pro`	`editor.py` 整合终稿(流式)

配置示例见下方环境变量。如果你只有 OpenAI Key,工厂会自动降级到原生 OpenAI 端点。

内容过滤系统

backend/nodes/curator.py 实现:

相关性打分:由检索引擎(默认 Tavily)在搜索时返回 score(0-1),低于阈值(默认 0.4)的文档过滤掉
文档处理:URL 去重、内容标准化、按相关度排序;调研全程异步执行

后端架构

基于 FastAPI + 异步任务,前端通过轮询 + 流式接口接收结果。

API 端点:

方法	路径	用途
`POST`	`/research`	提交调研请求,返回 `job_id`
`GET`	`/research/{job_id}`	查询任务状态
`GET`	`/research/{job_id}/stream`	订阅进度流(SSE)
`GET`	`/research/{job_id}/report`	拉取终稿报告
`POST`	`/generate-pdf`	生成 PDF

🚀 安装与运行

快速开始(推荐)

git clone https://github.com/BovmantH/cn-company-research-agent.git
cd cn-company-research-agent

chmod +x setup.sh
./setup.sh

setup.sh 会自动:

检测并优先使用 uv(Python 包管理器,比 pip 快 10-100×)
检查 Python / Node.js 版本
创建虚拟环境(可选)
安装后端 + 前端依赖
引导你填写环境变量
一键启动两端服务

💡 提示:用 uv 装依赖快很多。

macOS / Linux:curl -LsSf https://astral.sh/uv/install.sh | sh

Windows PowerShell:powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

手动安装

# 1) 克隆
git clone https://github.com/BovmantH/cn-company-research-agent.git
cd cn-company-research-agent

# 2) 后端
uv venv .venv && source .venv/bin/activate    # 或 python -m venv .venv
uv pip install -r requirements.txt            # 或 pip install -r requirements.txt

# 3) 前端
cd ui && npm install && cd ..

# 4) 配置 .env(见下一节),然后:
uvicorn application:app --reload --port 8000     # 一个终端跑后端
cd ui && npm run dev                              # 另一个终端跑前端
# 访问 http://localhost:5173

Docker 一键启动

git clone https://github.com/BovmantH/cn-company-research-agent.git
cd cn-company-research-agent

# 配好两个 .env 文件(根目录 + ui/),然后:
docker compose up --build

后端:http://localhost:8000
前端:http://localhost:5174

修改 .env 后需要重启:docker compose down && docker compose up

🔧 环境变量

需要两个 .env 文件:根目录(后端)与 ui/.env(前端)。

根目录 `.env`(后端)

# === LLM(必填:下方任意 vendor key 至少配一个,启动期会探测)===
# A) OpenRouter(海外聚合,model slug 必须带 vendor/ 前缀)
OPENROUTER_API_KEY=sk-or-...
LLM_MODEL_RESEARCHER=deepseek/deepseek-v4-flash
LLM_MODEL_BRIEFING=qwen/qwen3.6-flash
LLM_MODEL_EDITOR=moonshotai/kimi-k2.6
LLM_TEMPERATURE=0
LLM_STREAMING=true
LLM_MAX_TOKENS=4096
# LLM_BASE_URL=http://localhost:11434/v1   # 可选:走本地 vLLM / Ollama 等

# B) 国产原厂直连(P1 新增,不需要代理。详见下方"国产原厂直连"段落)
# DEEPSEEK_API_KEY=sk-...                  # 默认 slug deepseek-v4-flash
# DASHSCOPE_API_KEY=sk-...                 # 阿里百炼 / Qwen3 系列
# MOONSHOT_API_KEY=sk-...                  # Moonshot / Kimi K2 系列
# XIAOMI_API_KEY=tp-...                    # 小米 MiMo

# C) OpenAI 兜底
# OPENAI_API_KEY=sk-...

# === 检索(必填)===
SEARCH_PROVIDER=tavily                                       # 默认 tavily,Phase 2 可选 bocha 等
TAVILY_API_KEY=tvly-...

# === 可选:MongoDB 持久化 ===
# MONGODB_URI=mongodb://localhost:27017/cn-research

完整变量列表见 .env.example。

`ui/.env`(前端)

VITE_API_URL=http://localhost:8000
VITE_GOOGLE_MAPS_API_KEY=...                                 # 可选,LocationInput 用

可以从 ui/.env.development.example 复制起步。

国内访问 OpenRouter

OpenRouter 在中国大陆访问需要代理。最简单的办法是设置 HTTPS_PROXY:

export HTTPS_PROXY=http://127.0.0.1:7890
export HTTP_PROXY=http://127.0.0.1:7890

或者直接用国产模型 + 自己 host 的转发服务,把 LLM_BASE_URL 指过去即可。

国产原厂直连(Phase 2)

如果不想开代理 / 不想为 OpenRouter 单独充值,可以直接配国产原厂 key,工厂会自动探测:

# 只需配一家就够,所有 role 都走这家(单 vendor 全包)
DEEPSEEK_API_KEY=sk-...          # 或
DASHSCOPE_API_KEY=sk-...         # 阿里百炼 / Qwen
MOONSHOT_API_KEY=sk-...          # Moonshot / Kimi

P1 入选 vendor:

Vendor	env key	端点	默认 slug
DeepSeek	`DEEPSEEK_API_KEY`	`https://api.deepseek.com/v1`	`deepseek-v4-flash`(V4,1M 上下文)
Qwen(阿里百炼)	`DASHSCOPE_API_KEY`	`https://dashscope.aliyuncs.com/compatible-mode/v1`	`qwen3.6-flash` / `qwen3.6-plus` / `qwen3-max`
Kimi(Moonshot)	`MOONSHOT_API_KEY`	`https://api.moonshot.cn/v1`	`kimi-k2.5` / `kimi-k2-turbo-preview`
MiMo(小米)	`XIAOMI_API_KEY`	`https://api.xiaomimimo.com/v1`	`mimo-v2.5-pro`
GLM(智谱)/ MiniMax	—	—	P1 暂不支持,待兼容性 smoke test 通过后补入

进阶选项:

# 同时配多家时按默认顺序探测(deepseek → qwen → kimi → openrouter → openai)
# 想换顺序:
LLM_VENDOR_PRIORITY=qwen,deepseek,openrouter

# 想锁死一家不参与探测:
LLM_VENDOR=deepseek

# 走自建网关(OneAPI / LiteLLM)代理某一家:
LLM_BASE_URL_DEEPSEEK=http://localhost:3000/v1

完整说明见 .env.example 第 1~4 节。

🌐 部署

平台无关,常见选择:

Docker:仓库自带 Dockerfile 与 docker-compose.yml
AWS Elastic Beanstalk:pip install awsebcli && eb init && eb create
Google Cloud Run / Render / Railway:容器化部署友好
国内部署:阿里云函数计算 / 腾讯云 SCF / 自建 K8s

⚠️ 国内服务器部署如果走 OpenRouter,记得给容器配 outbound 代理。

🤝 贡献

Fork 仓库
创建 feature 分支:git checkout -b feat/your-feature
提交:git commit -m 'feat: ...'(中文 commit message 也欢迎)
推送并开 PR:git push origin feat/your-feature

📜 License

MIT License,与原项目一致。详见 LICENSE。

🙏 致谢

Guy Hartstein —— 原项目作者,本仓库的所有架构骨架来自 guy-hartstein/company-research-agent
Tavily —— 默认检索 provider
OpenRouter —— 统一 LLM 网关
所有底层开源依赖的维护者们

📍 项目状态:Phase 1(prompt + UI 中文化 + LLM 网关 + 检索抽象)✅ 已完成 Phase 2 P1(国产原厂直连)✅ 代码完成,等真厂 key 端到端验收 Phase 2 P2 计划:Curator 交叉验证 / 时效过滤 / 来源权威度分级 Phase 2 P3 计划:Bocha AI 检索 + AKShare / 巨潮资讯网等国内专用数据源 node

Name		Name	Last commit message	Last commit date
Latest commit History 22 Commits
.claude		.claude
.github		.github
backend		backend
scripts		scripts
static		static
tests		tests
ui		ui
.dockerignore		.dockerignore
.env.example		.env.example
.gitignore		.gitignore
Dockerfile		Dockerfile
LICENSE		LICENSE
README.md		README.md
application.py		application.py
docker-compose.yml		docker-compose.yml
langgraph.json		langgraph.json
langgraph_entry.py		langgraph_entry.py
package-lock.json		package-lock.json
pytest.ini		pytest.ini
requirements-dev.txt		requirements-dev.txt
requirements.txt		requirements.txt
setup.sh		setup.sh

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

中文公司调研 Agent 🔍

✨ 特性

🆚 与原版的差异

🧠 Agent 框架

系统架构

调研流水线

内容生成架构(三段式 LLM)

内容过滤系统

后端架构

🚀 安装与运行

快速开始(推荐)

手动安装

Docker 一键启动

🔧 环境变量

根目录 `.env`(后端)

`ui/.env`(前端)

国内访问 OpenRouter

国产原厂直连(Phase 2)

🌐 部署

🤝 贡献

📜 License

🙏 致谢

About

Releases

Packages

Contributors

Languages

Folders and files

Latest commit

History

Repository files navigation

中文公司调研 Agent 🔍

✨ 特性

🆚 与原版的差异

🧠 Agent 框架

系统架构

调研流水线

内容生成架构(三段式 LLM)

内容过滤系统

后端架构

🚀 安装与运行

快速开始(推荐)

手动安装

Docker 一键启动

🔧 环境变量

根目录 .env(后端)

ui/.env(前端)

国内访问 OpenRouter

国产原厂直连(Phase 2)

🌐 部署

🤝 贡献

📜 License

🙏 致谢

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

根目录 `.env`(后端)

`ui/.env`(前端)