[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-langchain-ai--multi-modal-researcher":3,"tool-langchain-ai--multi-modal-researcher":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":65,"owner_location":65,"owner_email":76,"owner_twitter":73,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":65,"difficulty_score":32,"env_os":87,"env_gpu":88,"env_ram":87,"env_deps":89,"category_tags":98,"github_topics":65,"view_count":32,"oss_zip_url":65,"oss_zip_packed_at":65,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":104},4686,"langchain-ai\u002Fmulti-modal-researcher","multi-modal-researcher",null,"multi-modal-researcher 是一款基于 LangGraph 和谷歌 Gemini 2.5 模型家族打造的智能研究助手，旨在将复杂的信息搜集转化为直观的报告与播客。只需输入一个研究主题，可选附带 YouTube 视频链接，它便能自动执行网络实时搜索、深度解析视频内容，并将多源信息整合成一份带引用的详细 Markdown 报告，同时生成由两位不同音色主持人对话的自然播客音频。\n\n这款工具有效解决了传统研究中信息碎片化、视频内容难以快速提炼以及成果呈现形式单一的痛点，让用户能同时获得严谨的文字综述和生动的听觉解读。其核心技术亮点在于原生集成了 Gemini 2.5 的视频理解能力、实时谷歌搜索工具以及多说话人文本转语音（TTS）技术，实现了从“搜”到“听”的全流程自动化。\n\nmulti-modal-researcher 特别适合需要快速调研新课题的研究人员、希望将视频内容转化为知识摘要的内容创作者，以及想要体验多模态 AI 工作流的开发者使用。无论是为了获取行业洞察，还是制作科普素材，它都能提供高效且富有创意的支持，让知识获取变得更加立体和轻松。","# Multi-Modal Researcher\n\nThis project is a simple research and podcast generation workflow that uses LangGraph with the unique capabilities of Google's Gemini 2.5 model family. It combines three useful features of the Gemini 2.5 model family. You can pass a research topic and, optionally, a YouTube video URL. The system will then perform research on the topic using search, analyze the video, combine the insights, and generate a report with citations as well as a short podcast on the topic for you. It takes advantage of a few of Gemini's native capabilities:\n\n- 🎥 [Video understanding and native YouTube tool](https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fgemini-2-5-video-understanding\u002F): Integrated processing of YouTube videos\n- 🔍 [Google search tool](https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fgemini-2-5-thinking-model-updates\u002F): Native Google Search tool integration with real-time web results\n- 🎙️ [Multi-speaker text-to-speech](https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fspeech-generation): Generate natural conversations with distinct speaker voices\n\n![mutli-modal-researcher](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_multi-modal-researcher_readme_6f1425a0cbb3.png)\n\n## Quick Start\n\n### Prerequisites\n\n- Python 3.11+\n- [uv](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) package manager\n- Google Gemini API key\n\n### Setup\n\n1. **Clone and navigate to the project**:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fmulti-modal-researcher\ncd mutli-modal-researcher\n```\n\n2. **Set up environment variables**:\n```bash\ncp .env.example .env\n```\nEdit `.env` and [add your Google Gemini API key](https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fapi-key):\n```bash\nGEMINI_API_KEY=your_api_key_here\n```\n\n3. **Run the development server**:\n\n```bash\n# Install uv package manager\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n# Install dependencies and start the LangGraph server\nuvx --refresh --from \"langgraph-cli[inmem]\" --with-editable . --python 3.11 langgraph dev --allow-blocking\n```\n\n4. **Access the application**:\n\nLangGraph will open in your browser.\n\n```bash\n╦  ┌─┐┌┐┌┌─┐╔═╗┬─┐┌─┐┌─┐┬ ┬\n║  ├─┤││││ ┬║ ╦├┬┘├─┤├─┘├─┤\n╩═╝┴ ┴┘└┘└─┘╚═╝┴└─┴ ┴┴  ┴ ┴\n\n- 🚀 API: http:\u002F\u002F127.0.0.1:2024\n- 🎨 Studio UI: https:\u002F\u002Fsmith.langchain.com\u002Fstudio\u002F?baseUrl=http:\u002F\u002F127.0.0.1:2024\n- 📚 API Docs: http:\u002F\u002F127.0.0.1:2024\u002Fdocs\n```\n\n5. Pass a `topic` and optionally a `video_url`.\n\nExample:\n* `topic`: Give me an overview of the idea that LLMs are like a new kind of operating system.\n* `video_url`: https:\u002F\u002Fyoutu.be\u002FLCEmiRjPEtQ?si=raeMN2Roy5pESNG2\n\n\u003Cimg width=\"1604\" alt=\"Screenshot 2025-06-24 at 5 13 31 PM\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_multi-modal-researcher_readme_dd3be5807358.png\" \u002F>\n\nResult:\n\n[🔍 See the example report](.\u002Fexample\u002Freport\u002Fkarpathy_os.md)\n\n[▶️ Download the example podcast](.\u002Fexample\u002Faudio\u002Fkarpathy_os.wav)\n\n## Architecture\n\nThe system implements a LangGraph workflow with the following nodes:\n\n1. **Search Research Node**: Performs web search using Gemini's Google Search integration\n2. **Analyze Video Node**: Analyzes YouTube videos when provided (conditional)\n3. **Create Report Node**: Synthesizes findings into a comprehensive markdown report\n4. **Create Podcast Node**: Generates a 2-speaker podcast discussion with TTS audio\n\n### Workflow\n\n```\nSTART → search_research → [analyze_video?] → create_report → create_podcast → END\n```\n\nThe workflow conditionally includes video analysis if a YouTube URL is provided, otherwise proceeds directly to report generation.\n\n### Output\n\nThe system generates:\n\n- **Research Report**: Comprehensive markdown report with executive summary and sources\n- **Podcast Script**: Natural dialogue between Dr. Sarah (expert) and Mike (interviewer)  \n- **Audio File**: Multi-speaker TTS audio file (`research_podcast_*.wav`)\n\n## Configuration\n\nThe system supports runtime configuration through the `Configuration` class:\n\n### Model Settings\n- `search_model`: Model for web search (default: \"gemini-2.5-flash\")\n- `synthesis_model`: Model for report synthesis (default: \"gemini-2.5-flash\")\n- `video_model`: Model for video analysis (default: \"gemini-2.5-flash\")\n- `tts_model`: Model for text-to-speech (default: \"gemini-2.5-flash-preview-tts\")\n\n### Temperature Settings\n- `search_temperature`: Factual search queries (default: 0.0)\n- `synthesis_temperature`: Balanced synthesis (default: 0.3)\n- `podcast_script_temperature`: Creative dialogue (default: 0.4)\n\n### TTS Settings\n- `mike_voice`: Voice for interviewer (default: \"Kore\")\n- `sarah_voice`: Voice for expert (default: \"Puck\")\n- Audio format settings for output quality\n\n## Project Structure\n\n```\n├── src\u002Fagent\u002F\n│   ├── state.py           # State definitions (input\u002Foutput schemas)\n│   ├── configuration.py   # Runtime configuration class\n│   ├── utils.py          # Utility functions (TTS, report generation)\n│   └── graph.py          # LangGraph workflow definition\n├── langgraph.json        # LangGraph deployment configuration\n├── pyproject.toml        # Python package configuration\n└── .env                  # Environment variables\n```\n\n## Key Components\n\n### State Management\n\n- **ResearchStateInput**: Input schema (topic, optional video_url)\n- **ResearchStateOutput**: Output schema (report, podcast_script, podcast_filename)\n- **ResearchState**: Complete state including intermediate results\n\n### Utility Functions\n\n- **display_gemini_response()**: Processes Gemini responses with grounding metadata\n- **create_podcast_discussion()**: Generates scripted dialogue and TTS audio\n- **create_research_report()**: Synthesizes multi-modal research into reports\n- **wave_file()**: Saves audio data to WAV format\n\n## Deployment\n\nThe application is configured for deployment on:\n\n- **Local Development**: Using LangGraph CLI with in-memory storage\n- **LangGraph Platform**: Production deployment with persistent storage\n- **Self-Hosted**: Using Docker containers\n\n## Dependencies\n\nCore dependencies managed via `pyproject.toml`:\n\n- `langgraph>=0.2.6` - Workflow orchestration\n- `google-genai` - Gemini API client\n- `langchain>=0.3.19` - LangChain integrations\n- `rich` - Enhanced terminal output\n- `python-dotenv` - Environment management\n\n## License\n\nMIT License - see LICENSE file for details.\n","# 多模态研究员\n\n该项目是一个简单的研究与播客生成工作流，使用 LangGraph 结合 Google Gemini 2.5 模型系列的独特能力。它整合了 Gemini 2.5 模型系列的三项实用功能。您可以输入一个研究主题，还可选择性地提供一个 YouTube 视频 URL。系统将基于该主题进行网络搜索、分析视频内容、整合洞察，并为您生成一份附有引用的报告以及一段关于该主题的简短播客。此项目充分利用了 Gemini 的几项原生能力：\n\n- 🎥 [视频理解与原生 YouTube 工具](https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fgemini-2-5-video-understanding\u002F)：集成处理 YouTube 视频\n- 🔍 [Google 搜索工具](https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fgemini-2-5-thinking-model-updates\u002F)：原生集成 Google 搜索工具，获取实时网络结果\n- 🎙️ [多说话人文本转语音](https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fspeech-generation)：生成具有不同说话人声音的自然对话\n\n![mutli-modal-researcher](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_multi-modal-researcher_readme_6f1425a0cbb3.png)\n\n## 快速开始\n\n### 前提条件\n\n- Python 3.11+\n- [uv](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) 包管理器\n- Google Gemini API 密钥\n\n### 设置步骤\n\n1. **克隆并进入项目目录**：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fmulti-modal-researcher\ncd mutli-modal-researcher\n```\n\n2. **设置环境变量**：\n```bash\ncp .env.example .env\n```\n编辑 `.env` 文件，并[添加您的 Google Gemini API 密钥](https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fapi-key)：\n```bash\nGEMINI_API_KEY=your_api_key_here\n```\n\n3. **运行开发服务器**：\n\n```bash\n# 安装 uv 包管理器\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n# 安装依赖并启动 LangGraph 服务器\nuvx --refresh --from \"langgraph-cli[inmem]\" --with-editable . --python 3.11 langgraph dev --allow-blocking\n```\n\n4. **访问应用程序**：\n\nLangGraph 将在您的浏览器中打开。\n\n```bash\n╦  ┌─┐┌┐┌┌─┐╔═╗┬─┐┌─┐┌─┐┬ ┬\n║  ├─┤││││ ┬║ ╦├┬┘├─┤├─┘├─┤\n╩═╝┴ ┴┘└┘└─┘╚═╝┴└─┴ ┴┴  ┴ ┴\n\n- 🚀 API: http:\u002F\u002F127.0.0.1:2024\n- 🎨 Studio UI: https:\u002F\u002Fsmith.langchain.com\u002Fstudio\u002F?baseUrl=http:\u002F\u002F127.0.0.1:2024\n- 📚 API 文档: http:\u002F\u002F127.0.0.1:2024\u002Fdocs\n```\n\n5. 传入一个 `topic`，并可选地提供一个 `video_url`。\n\n示例：\n* `topic`: 给我介绍一下 LLM 就像一种新型操作系统这一观点的概述。\n* `video_url`: https:\u002F\u002Fyoutu.be\u002FLCEmiRjPEtQ?si=raeMN2Roy5pESNG2\n\n\u003Cimg width=\"1604\" alt=\"Screenshot 2025-06-24 at 5 13 31 PM\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_multi-modal-researcher_readme_dd3be5807358.png\" \u002F>\n\n结果：\n\n[🔍 查看示例报告](.\u002Fexample\u002Freport\u002Fkarpathy_os.md)\n\n[▶️ 下载示例播客](.\u002Fexample\u002Faudio\u002Fkarpathy_os.wav)\n\n## 架构\n\n该系统实现了一个 LangGraph 工作流，包含以下节点：\n\n1. **搜索研究节点**：使用 Gemini 的 Google 搜索集成执行网络搜索\n2. **分析视频节点**：在提供 YouTube 视频时对其进行分析（条件性）\n3. **创建报告节点**：将研究结果综合成一份全面的 Markdown 报告\n4. **创建播客节点**：利用 TTS 音频生成一段双人播客讨论\n\n### 工作流\n\n```\nSTART → search_research → [analyze_video?] → create_report → create_podcast → END\n```\n\n如果提供了 YouTube URL，工作流会条件性地包含视频分析；否则直接进入报告生成阶段。\n\n### 输出\n\n系统生成：\n\n- **研究报告**：包含执行摘要和参考文献的综合性 Markdown 报告\n- **播客脚本**：由 Sarah 博士（专家）和 Mike（采访者）之间的自然对话组成\n- **音频文件**：多说话人 TTS 音频文件（`research_podcast_*.wav`）\n\n## 配置\n\n系统通过 `Configuration` 类支持运行时配置：\n\n### 模型设置\n- `search_model`: 用于网络搜索的模型（默认：“gemini-2.5-flash”）\n- `synthesis_model`: 用于报告合成的模型（默认：“gemini-2.5-flash”）\n- `video_model`: 用于视频分析的模型（默认：“gemini-2.5-flash”）\n- `tts_model`: 用于文本转语音的模型（默认：“gemini-2.5-flash-preview-tts”）\n\n### 温度设置\n- `search_temperature`: 用于事实性搜索查询（默认：0.0）\n- `synthesis_temperature`: 用于平衡性合成（默认：0.3）\n- `podcast_script_temperature`: 用于创造性对话（默认：0.4）\n\n### TTS 设置\n- `mike_voice`: 采访者的语音（默认：“Kore”）\n- `sarah_voice`: 专家的语音（默认：“Puck”）\n- 音频格式设置用于控制输出质量\n\n## 项目结构\n\n```\n├── src\u002Fagent\u002F\n│   ├── state.py           # 状态定义（输入\u002F输出模式）\n│   ├── configuration.py   # 运行时配置类\n│   ├── utils.py          # 工具函数（TTS、报告生成）\n│   └── graph.py          # LangGraph 工作流定义\n├── langgraph.json        # LangGraph 部署配置\n├── pyproject.toml        # Python 包配置\n└── .env                  # 环境变量\n```\n\n## 关键组件\n\n### 状态管理\n\n- **ResearchStateInput**: 输入模式（主题，可选视频 URL）\n- **ResearchStateOutput**: 输出模式（报告，播客脚本，播客文件名）\n- **ResearchState**: 包含中间结果的完整状态\n\n### 工具函数\n\n- **display_gemini_response()**: 处理带有来源元数据的 Gemini 响应\n- **create_podcast_discussion()**: 生成剧本化对话并转换为 TTS 音频\n- **create_research_report()**: 将多模态研究整合为报告\n- **wave_file()**: 将音频数据保存为 WAV 格式\n\n## 部署\n\n该应用程序已配置用于以下部署方式：\n\n- **本地开发**：使用 LangGraph CLI 和内存存储\n- **LangGraph 平台**：生产环境部署，使用持久化存储\n- **自托管**：使用 Docker 容器\n\n## 依赖项\n\n核心依赖项通过 `pyproject.toml` 管理：\n\n- `langgraph>=0.2.6`：工作流编排\n- `google-genai`：Gemini API 客户端\n- `langchain>=0.3.19`：LangChain 集成\n- `rich`：增强终端输出\n- `python-dotenv`：环境变量管理\n\n## 许可证\n\nMIT 许可证——详情请参阅 LICENSE 文件。","# Multi-Modal Researcher 快速上手指南\n\nMulti-Modal Researcher 是一个基于 LangGraph 和 Google Gemini 2.5 模型系列的研究与播客生成工作流。它支持输入研究主题（可选附带 YouTube 视频链接），自动执行网络搜索、视频分析，并生成带引用的研究报告及双人对话形式的播客音频。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (WSL)\n*   **Python 版本**：3.11 或更高版本\n*   **包管理器**：[uv](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) (推荐用于快速依赖管理)\n*   **API 密钥**：有效的 [Google Gemini API Key](https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fapi-key)\n\n> **注意**：由于本项目深度依赖 Google 服务（搜索、Gemini 模型、YouTube 解析），在中国大陆地区使用时，请确保网络环境能够正常访问 Google API 及 YouTube。\n\n## 安装步骤\n\n### 1. 克隆项目\n将代码仓库克隆到本地并进入项目目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fmulti-modal-researcher\ncd multi-modal-researcher\n```\n\n### 2. 配置环境变量\n复制示例配置文件并填入您的 API 密钥：\n\n```bash\ncp .env.example .env\n```\n\n使用文本编辑器打开 `.env` 文件，填入您的 `GEMINI_API_KEY`：\n\n```bash\nGEMINI_API_KEY=your_api_key_here\n```\n\n### 3. 安装依赖并启动服务\n本项目推荐使用 `uv` 进行依赖管理和运行。如果您尚未安装 `uv`，请先执行安装命令，随后启动 LangGraph 开发服务器：\n\n```bash\n# 安装 uv 包管理器\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n\n# 安装依赖并启动 LangGraph 服务器 (内存模式)\nuvx --refresh --from \"langgraph-cli[inmem]\" --with-editable . --python 3.11 langgraph dev --allow-blocking\n```\n\n启动成功后，终端将显示类似以下的信息，表示服务已就绪：\n\n```text\n- 🚀 API: http:\u002F\u002F127.0.0.1:2024\n- 🎨 Studio UI: https:\u002F\u002Fsmith.langchain.com\u002Fstudio\u002F?baseUrl=http:\u002F\u002F127.0.0.1:2024\n- 📚 API Docs: http:\u002F\u002F127.0.0.1:2024\u002Fdocs\n```\n\n## 基本使用\n\n服务启动后，您可以直接通过浏览器访问 **LangGraph Studio UI** (上述日志中的 `Studio UI` 链接) 进行可视化操作，或者通过 API 调用。\n\n### 使用示例\n\n在 Studio 界面或 API 调用中，您需要提供以下参数：\n\n*   **topic** (必填): 研究主题。\n*   **video_url** (可选): 相关的 YouTube 视频链接。系统将结合网页搜索和视频内容进行分析。\n\n**示例输入：**\n\n*   `topic`: Give me an overview of the idea that LLMs are like a new kind of operating system.\n*   `video_url`: https:\u002F\u002Fyoutu.be\u002FLCEmiRjPEtQ?si=raeMN2Roy5pESNG2\n\n### 预期输出\n\n系统处理完成后，将生成以下成果：\n\n1.  **研究报告**：包含执行摘要、详细分析和来源引用的 Markdown 格式报告。\n2.  **播客脚本**：由“专家 (Dr. Sarah)\"和“主持人 (Mike)\"进行的自然对话脚本。\n3.  **音频文件**：基于脚本生成的双人多说话人 TTS 音频文件 (`.wav` 格式)。\n\n您可以在 Studio 界面直接查看报告预览并下载音频文件，或在项目输出的指定路径中找到结果。","某科技媒体编辑需要快速制作一期关于\"LLM 作为新型操作系统”的深度播客，并需结合最新网络观点与专家演讲视频进行内容创作。\n\n### 没有 multi-modal-researcher 时\n- **信息搜集割裂**：编辑需手动在谷歌搜索文献，再单独打开 YouTube 观看长视频并做笔记，无法将图文信息与视频内容即时关联。\n- **内容整合耗时**：从分散的搜索结果和视频字幕中提炼核心观点、撰写逐字稿及报告，往往需要数小时的人工梳理与交叉验证。\n- **播客制作门槛高**：生成音频需额外寻找配音演员或配置复杂的 TTS 工具，难以模拟出自然的双人对话氛围，导致成品缺乏互动感。\n- **引用溯源困难**：人工整理来源容易遗漏关键出处，导致报告缺乏严谨的引注，增加事实核查的工作量。\n\n### 使用 multi-modal-researcher 后\n- **多模态一键融合**：只需输入选题和 YouTube 链接，multi-modal-researcher 即可调用 Gemini 原生能力，同步完成全网搜索与视频深度理解。\n- **自动化报告生成**：系统自动综合网页资讯与视频洞察，瞬间输出包含执行摘要和详细引用的 Markdown 研究报告，大幅缩短调研周期。\n- **拟真双人播客直达**：内置多说话人文本转语音功能，直接生成由“专家”与“主持人”角色演绎的自然对话音频文件，无需后期配音。\n- **全流程可追溯**：生成的报告自动附带清晰的信息来源标注，确保内容可信度，让编辑能将精力集中于内容策划而非基础资料处理。\n\nmulti-modal-researcher 通过将搜索、视频分析与音频生成串联为单一工作流，把原本数天的多媒体内容生产周期压缩至分钟级。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_multi-modal-researcher_e69bdb98.png","langchain-ai","LangChain","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flangchain-ai_8e6aaeef.png","","support@langchain.dev","https:\u002F\u002Fwww.langchain.com","https:\u002F\u002Fgithub.com\u002Flangchain-ai",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,590,97,"2026-03-30T16:21:55","未说明","不需要本地 GPU（基于 Google Gemini API 的云端推理）",{"notes":90,"python":91,"dependencies":92},"该项目主要依赖云端 Google Gemini 2.5 模型，因此无需本地高性能显卡。必须安装 'uv' 包管理器来管理依赖和运行环境。使用前需配置有效的 Google Gemini API Key。开发服务器通过 LangGraph CLI 启动，默认在本地 2024 端口运行。","3.11+",[93,94,95,96,97],"langgraph>=0.2.6","google-genai","langchain>=0.3.19","rich","python-dotenv",[35,99,60,13,100],"音频","其他","2026-03-27T02:49:30.150509","2026-04-07T08:20:08.412050",[],[]]