如果您想最大化利用 Gemini 模型，最佳做法是将 Google Gen AI API 与 Gemini Fullstack LangGraph 聊天应用结合使用。该方案提供一个全栈 AI 研究助手，包含 React 前端与 LangGraph 后端。
在本教程中，您将学习如何从零开始搭建应用：安装前端与后端，用一条命令同时运行它们，并测试应用以确保一切顺畅。
随后，我们将演示如何使用 Docker 部署该应用。对于初学者而言，这是一种更友好的方式来访问应用，并体验 Gemini 模型在生成高度准确、细致回复方面的能力。
如果您在寻找其他基于 Gemini 或 LangGraph 的项目，欢迎阅读我们的教程 Gemini 2.5 Pro API：带演示项目的指南 和 LangGraph 教程：什么是 LangGraph，如何使用？ 。
1. 环境搭建
如果您使用的是 Windows，强烈建议使用 Windows Subsystem for Linux（WSL），以获得更流畅的开发体验。WSL 允许您在 Windows 上直接运行完整的 Linux 环境，便于使用各种 Linux 工具。
1. 以管理员身份打开 PowerShell，运行命令 wsl --install。 这将默认安装 Ubuntu，并可能需要重启系统。
2. 重启后，从开始菜单启动 Ubuntu，或在 PowerShell 中输入 wsl 启动。
3. 使用 NVM（Node 版本管理器）安装 Node.js 18。
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18 技术支持 4. 检查您已安装的 Node.js 版本，确保为 18 或更高。
node --version
npm --version
v18.20.8
10.8 .2技术支持 2. 安装前端与后端
1. 克隆 Gemini Fullstack LangGraph Quickstart 仓库并进入项目目录：
git clone https://github.com/google-gemini/gemini-fullstack-langgraph-quickstart.git
cd gemini-fullstack-langgraph-quickstart技术支持 您的目录结构现在应如下所示：
2. 前往 Google AI Studio 并生成一个 Gemini API 密钥。
来源：获取 API 密钥 | Google AI Studio
3. 进入后端目录，使用 Gemini API 密钥创建 .env 文件。将“YOUR_ACTUAL_API_KEY”替换为您生成的密钥。
4. 使用 PIP 命令安装所有 Python 包。
cd backend
echo 'GEMINI_API_KEY="YOUR_ACTUAL_API_KEY"' > .env
pip install . 技术支持 5. 回到项目根目录并进入前端目录。使用 npm 安装前端依赖。
cd ..
cd frontend
npm install 技术支持 3. 运行应用程序
安装完所有依赖后，您可以在项目根目录以开发模式同时启动前后端服务。
1. 在项目根目录运行：
make dev技术支持 该命令会在开发模式下启动前端（使用 Vite）与后端（使用 LangGraph/FastAPI）。
2. 前端由 Vite 提供支持，这是一款为 Web 项目带来快速高效开发体验的现代构建工具。
> [email protected] dev
> vite
VITE v6.3.4 ready in 392 ms
➜ Local: http://localhost:5173/app/
➜ Network: use --host to expose技术支持 3. 后端服务器会启动，并显示如下信息：
INFO:langgraph_api.cli:
Welcome to
╦ ┌─┐┌┐┌┌─┐╔═╗┬─┐┌─┐┌─┐┬ ┬
║ ├─┤││││ ┬║ ╦├┬┘├─┤├─┘├─┤
╩═╝┴ ┴┘└┘└─┘╚═╝┴└─┴ ┴┴ ┴ ┴
- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl= http://127.0.0.1:2024
- 📚 API Docs: http://127.0.0.1:2024/docs
This in-memory server is designed for development and testing.
For production use, please use LangGraph Cloud.技术支持 4. 您可以前往 LangGraph Studio UI 测试 LangGraph 工作流。
来源：smith.langchain.com
后端 API 位于：http://127.0.0.1:2024。API 文档位于：http://127.0.0.1:2024/docs。您可以使用 OpenAPI 文档测试每个后端端点。
在浏览器中打开 http://localhost:5173/app/ 访问聊天应用界面。该聊天应用与 ChatGPT 类似。只需输入您的问题，它就会开始发挥作用。
该聊天应用的后端工作方式：
基于用户输入，使用 Gemini 模型生成一组初始搜索查询。 针对每个查询，结合 Google Search API 使用 Gemini 模型查找相关网页。 代理会分析搜索结果，以识别知识空缺，并使用 Gemini 模型进行反思。 如发现空缺，则生成后续查询，并重复研究与反思步骤（直至达到预设上限）。 当收集到足够信息后，代理会整合并生成带引文的连贯答案。
由于该应用仍处于早期阶段，您可能会遇到一些问题和不一致之处，尤其是在前端界面。其中一个常见问题是前端渲染不一致 。
为解决此问题，请按如下方式更新 frontend/src/App.tsx 的第 57 行：
- : ` Need more information, searching for ${ event.reflection.follow_up_queries.join(
+ : ` more information, searching for ${ ( event.reflection.follow_up_queries || [ ] ) .join( 技术支持 4. 使用 Docker 部署应用
使用 Docker 部署应用既直接又高效。Docker 允许您将应用及其依赖打包为单一容器。
1. 为您的操作系统（Windows、macOS 或 Linux）下载并安装 Docker Desktop 。您可以在 Docker 官方网站找到安装包和详细说明。安装完成后，启动 Docker Desktop 以确保其正常运行。
2. 进入项目根目录，在终端运行以下命令构建 Docker 镜像：
docker build -t gemini-fullstack-langgraph -f Dockerfile . 技术支持 3. 运行应用需要两个 API 密钥：
来源：LangSmith
4. 使用 Docker Compose 启动应用，将占位符替换为您的实际 API 密钥：
GEMINI_API_KEY = < your_gemini_api_key> LANGSMITH_API_KEY = < your_langsmith_api_key> docker-compose up技术支持 5. 访问应用：
前端：http://localhost:8123/app/ API 文档：http://localhost:8123/docs
5. 测试应用
在浏览器中访问 http://localhost:8123/app/。在输入框中键入问题“列出前 5 条新闻头条。”
提交问题后，应用将开始其研究流程。您会看到代理如何逐步收集并分析信息以回答您的问题。
应用将提供详细回复，并附上相关出版物的直接链接。其答案的质量与深度常常优于其他深度研究工具，在结果中提供了更多透明度与上下文。
如果想获得更深入的洞察，请访问您的 LangSmith 仪表盘。您可以查看代理为生成回复所执行的每一步的完整日志。此详细追踪有助于理解代理的推理过程，并确保答案构建方式的透明性。
来源：LangSmith
结语
不到 10 分钟，您就能构建 Docker 镜像，并在本地启动自己的深度研究 AI 应用，使用来自 Google Gemini 和 LangSmith 的免费 API。
本指南带您完成一个直接明了的实现，展示了 Gemini 模型如何不断提升识别合适工具、生成高度细致、准确且与时俱进的研究型回复的能力。
您已学会如何搭建应用、安装后端与前端并在本地运行。我们还介绍了使用 Docker 的另一种部署方式，使您更轻松地上手并体验深度研究型 AI 的强大之处。
如果您在寻找下一个项目，请查看我们的指南：Gemini Diffusion：含 8 个实用示例的指南 。
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
如果您想最大化利用 Gemini 模型，最佳做法是将 Google Gen AI API 与 Gemini Fullstack LangGraph 聊天应用结合使用。该方案提供一个全栈 AI 研究助手，包含 React 前端与 LangGraph 后端。
在本教程中，您将学习如何从零开始搭建应用：安装前端与后端，用一条命令同时运行它们，并测试应用以确保一切顺畅。
随后，我们将演示如何使用 Docker 部署该应用。对于初学者而言，这是一种更友好的方式来访问应用，并体验 Gemini 模型在生成高度准确、细致回复方面的能力。
如果您在寻找其他基于 Gemini 或 LangGraph 的项目，欢迎阅读我们的教程 Gemini 2.5 Pro API：带演示项目的指南 和 LangGraph 教程：什么是 LangGraph，如何使用？。
1. 环境搭建
如果您使用的是 Windows，强烈建议使用 Windows Subsystem for Linux（WSL），以获得更流畅的开发体验。WSL 允许您在 Windows 上直接运行完整的 Linux 环境，便于使用各种 Linux 工具。
1. 以管理员身份打开 PowerShell，运行命令
wsl --install。这将默认安装 Ubuntu，并可能需要重启系统。2. 重启后，从开始菜单启动 Ubuntu，或在 PowerShell 中输入 wsl 启动。
3. 使用 NVM（Node 版本管理器）安装 Node.js 18。
4. 检查您已安装的 Node.js 版本，确保为 18 或更高。
2. 安装前端与后端
1. 克隆 Gemini Fullstack LangGraph Quickstart 仓库并进入项目目录：
您的目录结构现在应如下所示：
2. 前往 Google AI Studio 并生成一个 Gemini API 密钥。
来源：获取 API 密钥 | Google AI Studio
3. 进入后端目录，使用 Gemini API 密钥创建
.env文件。将“YOUR_ACTUAL_API_KEY”替换为您生成的密钥。4. 使用 PIP 命令安装所有 Python 包。
5. 回到项目根目录并进入前端目录。使用 npm 安装前端依赖。
3. 运行应用程序
安装完所有依赖后，您可以在项目根目录以开发模式同时启动前后端服务。
1. 在项目根目录运行：
该命令会在开发模式下启动前端（使用 Vite）与后端（使用 LangGraph/FastAPI）。
2. 前端由 Vite 提供支持，这是一款为 Web 项目带来快速高效开发体验的现代构建工具。
3. 后端服务器会启动，并显示如下信息：
4. 您可以前往 LangGraph Studio UI 测试 LangGraph 工作流。
来源：smith.langchain.com
后端 API 位于：http://127.0.0.1:2024。API 文档位于：http://127.0.0.1:2024/docs。您可以使用 OpenAPI 文档测试每个后端端点。
在浏览器中打开 http://localhost:5173/app/ 访问聊天应用界面。该聊天应用与 ChatGPT 类似。只需输入您的问题，它就会开始发挥作用。
该聊天应用的后端工作方式：
由于该应用仍处于早期阶段，您可能会遇到一些问题和不一致之处，尤其是在前端界面。其中一个常见问题是前端渲染不一致。
为解决此问题，请按如下方式更新 frontend/src/App.tsx 的第 57 行：
4. 使用 Docker 部署应用
使用 Docker 部署应用既直接又高效。Docker 允许您将应用及其依赖打包为单一容器。
1. 为您的操作系统（Windows、macOS 或 Linux）下载并安装 Docker Desktop。您可以在 Docker 官方网站找到安装包和详细说明。安装完成后，启动 Docker Desktop 以确保其正常运行。
2. 进入项目根目录，在终端运行以下命令构建 Docker 镜像：
3. 运行应用需要两个 API 密钥：
来源：LangSmith
4. 使用 Docker Compose 启动应用，将占位符替换为您的实际 API 密钥：
5. 访问应用：
5. 测试应用
在浏览器中访问 http://localhost:8123/app/。在输入框中键入问题“列出前 5 条新闻头条。”
提交问题后，应用将开始其研究流程。您会看到代理如何逐步收集并分析信息以回答您的问题。
应用将提供详细回复，并附上相关出版物的直接链接。其答案的质量与深度常常优于其他深度研究工具，在结果中提供了更多透明度与上下文。
如果想获得更深入的洞察，请访问您的 LangSmith 仪表盘。您可以查看代理为生成回复所执行的每一步的完整日志。此详细追踪有助于理解代理的推理过程，并确保答案构建方式的透明性。
来源：LangSmith
结语
不到 10 分钟，您就能构建 Docker 镜像，并在本地启动自己的深度研究 AI 应用，使用来自 Google Gemini 和 LangSmith 的免费 API。
本指南带您完成一个直接明了的实现，展示了 Gemini 模型如何不断提升识别合适工具、生成高度细致、准确且与时俱进的研究型回复的能力。
您已学会如何搭建应用、安装后端与前端并在本地运行。我们还介绍了使用 Docker 的另一种部署方式，使您更轻松地上手并体验深度研究型 AI 的强大之处。
如果您在寻找下一个项目，请查看我们的指南：Gemini Diffusion：含 8 个实用示例的指南。