智能公司研究助手
用多智能体管线把公司资料整理为研究报告。
按维度查看评分与理由
证据仅包含README和LICENSE，未提供代码或配置细节。无法评估权限最小化、用户确认、数据流透明性、敏感数据处理、依赖安全、外部影响、回滚或来源归属。所有标准得分为0，因为缺乏证据。
证据不足。README描述了架构，但未提供代码或测试来验证自洽性、依赖可用性或失败消息。所有标准得分为0。
证据不足。README描述了目标用户和场景，但未提供代码或配置来评估能力边界、触发精度或环境适配。所有标准得分为0。
证据不足。README提供了安装说明和架构信息，但未提供代码、示例、FAQ、已知限制、版本控制或维护责任。许可证存在但未验证。所有标准得分为0。
证据不足。README描述了输出和功能，但未提供代码或测试来评估输出可用性、边际价值或成本效益。所有标准得分为0。
证据不足。README描述了功能，但未提供代码或测试来验证声明可追溯性、跨源佐证或事实与推断分离。所有标准得分为0。
- 仅基于README和LICENSE进行静态审查，未检查代码，无法验证安全性和可靠性声明。
- 发布者身份未验证，不应基于品牌或声誉推断质量。
- README中提到的API密钥和外部服务（Tavily、Gemini、OpenAI、Google Maps、MongoDB）需要用户自行配置，存在数据泄露风险。
这个 Agent 能做什么，适合哪些场景？
这是一个面向公司尽调与市场研究的自托管应用，使用 LangGraph 组织多个专用研究与处理节点。CompanyAnalyzer、IndustryAnalyzer、FinancialAnalyst 和 NewsScanner 分别覆盖公司基础信息、行业、财务与近期新闻，随后由 Collector、Curator、Briefing 和 Editor 汇总成报告。Tavily 用于检索与相关性评分，Gemini 2.5 Flash 生成分类简报，GPT-5.1 负责最终报告编排、去重与 Markdown 格式化。后端是支持异步后台任务和轮询的 FastAPI 服务，前端为带进度跟踪与下载选项的 React 应用。它可通过本地开发环境或 Docker Compose 部署，但运行依赖 Tavily、Google Gemini、OpenAI 和 Google Maps 的配置凭证。
用户从 React 前端提交研究请求，后端通过 POST /research 创建任务并返回 job_id。CompanyAnalyzer、IndustryAnalyzer、FinancialAnalyst 和 NewsScanner 收集公司、行业、财务和新闻相关资料；Collector 聚合结果，Curator 在 curator.py 中清洗、标准化 URL、去重并按 Tavily 相关性分数排序，默认最低阈值为 0.4。Briefing 在 briefing.py 中使用 Gemini 2.5 Flash 为各类别生成简报，Editor 在 editor.py 中使用 GPT-5.1 合并内容、消除重复并生成 Markdown 报告。前端轮询 GET /research/{job_id}/report 获取完成结果，POST /generate-pdf 可将报告内容生成 PDF。
- 投资研究人员在评估一家候选公司时，需要将业务、行业、财务和近期新闻汇集为一份初步研究报告。
- 企业战略团队在开展供应商、合作伙伴或竞争对手的案头调研时，需要按统一流程生成公司简报。
- 咨询团队在项目早期需要快速形成多来源的公司背景材料，并在后续人工核验前获得结构化起点。
- 具备 Python 和 React 运维能力的内部研究团队，希望部署一个带任务进度轮询的公司研究 Web 应用。
- 需要把研究结果导出为 PDF 的团队，可在报告生成后调用项目提供的 PDF 生成接口。
这个 Agent 有哪些优点和局限？
- 研究职责被拆分为 CompanyAnalyzer、IndustryAnalyzer、FinancialAnalyst 和 NewsScanner，覆盖公司研究中不同的信息类别。
- Curator 使用 Tavily 相关性评分、内容清洗和 URL 去重，默认 0.4 阈值使低相关资料可被过滤。
- Gemini 2.5 Flash 与 GPT-5.1 分别承担高上下文简报和最终格式编排，职责划分明确。
- FastAPI 后端、React 前端、任务轮询与 PDF 生成接口构成了可直接部署的完整应用边界。
- 运行时明确依赖 Tavily、Google Gemini、OpenAI 和 Google Maps 的 API 凭证，不能作为离线研究工具使用。
- 文档要求同时配置 Gemini 与 OpenAI 密钥，未说明任一模型或 Tavily 服务不可用时的降级策略。
- POST /research 和 POST /generate-pdf 的请求参数与响应格式未在提供材料中说明，API 集成需要额外查看实现。
- 许可证信息存在冲突：仓库元数据标注 Apache-2.0，而 README 的 License 段落称为 MIT，采用前应核验 LICENSE 文件。
如何安装或部署这个 Agent？
准备 Python、Node.js、Tavily API Key、Google Gemini API Key、OpenAI API Key 和 Google Maps API Key。克隆仓库后可执行 chmod +x setup.sh && ./setup.sh；脚本会检测 uv、安装前后端依赖并引导配置。也可手动使用 uv venv .venv && source .venv/bin/activate && uv pip install -r requirements.txt，然后进入 ui 执行 npm install。项目根目录的 .env 需设置 TAVILY_API_KEY、GEMINI_API_KEY、OPENAI_API_KEY；ui/.env 需设置 VITE_API_URL=http://localhost:8000 和 VITE_GOOGLE_MAPS_API_KEY。Docker 部署可在完成两份 .env 配置后执行 docker compose up --build。
如何使用这个 Agent？
启动后端：python -m application.py，或执行 uvicorn application:app --reload --port 8000。另开终端进入 ui 并执行 npm run dev，然后访问 http://localhost:5173；前端提交公司研究请求后会取得 job_id 并轮询 /research/{job_id}/report。Docker Compose 模式下，README 说明后端位于 http://localhost:8000，前端位于 http://localhost:5174。若通过 API 使用，提交入口是 POST /research，完成报告查询入口是 GET /research/{job_id}/report；文档未提供这些接口的请求体示例。