pydantic-ai-researcher

pydantic-ai-researcher

描述

pydantic-ai-researcher 是一个研究系统，可在两个专用 Agent（研究 Agent 和评估 Agent）之间协调异步循环。研究 Agent 使用外部 MCP 服务回答复杂查询，而评估 Agent 会评估并完善这些答案，反复迭代，直至获得满意的答复。

功能

• 异步研究循环：对研究答案进行迭代评估和改进。
• 双 Agent 系统：使用研究 Agent 收集数据，并由评估 Agent 提供反馈。
• 可插拔的 MCP 服务：集成多个 MCP 服务（Tavily、Brave Search、arXiv），提供多样的数据源。
• 环境可配置：使用环境变量和 .env 文件配置 API 密钥。
• 轻松设置：可通过 Pipfile 或 requirements.txt 便捷安装。

安装 / 设置

1. 前置条件：确保已安装 Python 3.x。
2. 安装：
   • 使用 Pipenv：

     pipenv install
     

   • 或使用 pip：

     pip install -r requirements.txt
     

3. 配置：
   • 在项目根目录创建 .env 文件。
   • 定义所需的环境变量：
     • OPENAI_API_KEY
     • TAVILY_API_KEY
     • BRAVE_API_KEY
   • （也可能需要根据需要定义其他 API 端点。）

使用

运行以下命令启动项目：

python main.py

在交互式提示中输入研究查询。输入 exit 可退出程序。

架构

该系统实现了一个由两个 Agent 构成的评估器-优化器循环：

• Agent A（研究 Agent）：通过 MCP 服务使用外部数据源，为研究查询生成初步答案。
• Agent B（评估 Agent）：评估 Agent A 提供的答案，并给出改进反馈。
• 循环机制：系统会进行多轮评估，直至答案获认可或达到最大迭代次数。

以下是展示评估器-优化器流程的工作流图：

来源：Building effective agents

配置

项目配置依赖通过 python-dotenv 加载的环境变量。请确保：

• 已设置 OPENAI_API_KEY，以使用 OpenAI 模型。
• 已设置 TAVILY_API_KEY，以访问 Tavily MCP Search。
• 已设置 BRAVE_API_KEY，以使用 Brave Search MCP。
• 可根据需要定义 arXiv MCP 的其他配置。

贡献 / 许可证

欢迎贡献。请提交问题和拉取请求，以修复错误、改进项目或添加新功能。许可详情请参阅项目的 LICENSE 文件。