company-research-agent

一句话调研一家公司，自动出尽调报告

开源 🏷️基础免费，高级付费 ✅ 目前可打开智能体 🍴 复刻 318 🐛 待处理 1 👀 关注 15

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 2311

维护状态较活跃

是否开源开源

定价模式 🏷️基础免费，高级付费支持限时试用 · Tavily提供免费额度，超出后按API用量付费，定价信息待确认

项目预览

company-research-agent 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类智能体

开发团队guy-hartstein

官网地址https://companyresearcher.tavily.com

GitHubhttps://github.com/guy-hartstein/company-research-agent

定价模式🏷️基础免费，高级付费

价格说明Tavily提供免费额度，超出后按API用量付费，定价信息待确认

访问状态✅ 目前可打开

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型agents,ai,company,financial-analysis,gemini,gemini-3-flash,langchain,langgraph-python,multi-agent-systems,openai,openrouter,python,research,tavily,tavily-api,tavily-search

GitHub 星标★ 2311

上线时间2025-02-12 00:00:00

代码更新2026-10-26

仓库体积33.9 MB

本站数据更新2026-11-02

维护状态较活跃

收录时间2026-09-13

浏览次数1

项目介绍

company-research-agent 是一个基于 LangGraph 和 Tavily 构建的多智能体公司调研工具，用于对目标公司进行深度尽职调查。它把调研流程拆解为多个协作的智能体：规划、检索、分析与汇总，自动从公开网络收集公司背景、业务模式、融资情况、竞争格局等资料，并生成结构化研究报告。后端推理同时接入 Google Gemini 2.5 Flash 与 OpenAI GPT-5.1，用户可按需切换模型。核心价值在于把原本需要分析师数小时手动搜索、交叉验证的调研工作压缩成一次自动运行，输出可直接阅读的摘要与要点，适合投资尽调、销售线索研究和竞品分析等场景。项目用 Python 编写，依托 LangGraph 的状态图编排能力管理智能体之间的流转与上下文传递，Tavily 负责联网搜索与内容抽取，整体结构清晰，便于二次开发或替换模型与检索源。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-13 · 当前星标 ★ 2311

技术标签

agents ai gemini langchain langgraph-python

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 15 分钟部署方式：本地安装 7 步

环境要求

Python 环境（setup.sh 会自动检查版本要求）
Node.js 环境（setup.sh 会自动检查版本要求）
Tavily API Key、Google Gemini API Key、OpenAI API Key（必需）
Google Maps API Key（README 列为需要的密钥）
可选：uv（可显著加速 Python 依赖安装）、MongoDB URI

安装与启动步骤

1克隆仓库

把项目下载到本地并进入项目目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/guy-hartstein/company-research-agent.git
cd company-research-agent
```
2安装 uv（可选）

README 的 Pro Tip 建议安装 uv，可显著加快 Python 包安装速度，不装也能继续。
```
curl -LsSf https://astral.sh/uv/install.sh | sh
```
3运行一键安装脚本

推荐方式。脚本会检测 uv、检查 Python/Node 版本、可选创建虚拟环境、装前后端依赖并引导配置环境变量，最后可选启动服务。
```
chmod +x setup.sh
./setup.sh
```
4手动安装后端依赖

如果不使用 setup.sh，则手动安装 Python 依赖（README 中该命令处于注释状态）。
```
pip install -r requirements.txt
```
5手动安装前端依赖

手动方式下还需要进入 ui 目录安装前端 Node 依赖。
```
cd ui
npm install
```
6配置环境变量

在项目根目录创建后端 .env 并填入密钥；前端另有独立的 .env 文件，README 只完整给出了后端示例。
```
TAVILY_API_KEY=your_tavily_key
GEMINI_API_KEY=your_gemini_key
OPENAI_API_KEY=your_openai_key
```
7启动服务

README 的启动章节被截断，没有给出具体启动命令；可依赖 setup.sh 的可选启动步骤，或按脚本提示自行启动前后端。

关键配置

配置项	必填	说明	示例
`TAVILY_API_KEY`	是	Tavily 检索服务的密钥，用于多源研究与相关性打分	`tvly-xxxxxxxxxxxx`
`GEMINI_API_KEY`	是	Google Gemini 密钥，Gemini 2.5 Flash 负责高上下文研究综合	`AIzaSyxxxxxxxxxxxx`
`OPENAI_API_KEY`	是	OpenAI 密钥，GPT-5.1 负责报告格式化与编辑	`sk-xxxxxxxxxxxx`
`Google Maps API Key`	否	README 在所需密钥列表中提到，.env 示例未给出变量名	`your_google_maps_key`
`MongoDB URI`	否	可选，README 标注为 optional，用于数据持久化	`mongodb://localhost:27017`

如何确认成功

setup.sh 执行到末尾会提示是否启动后端与前端服务；启动成功后可打开前端界面提交公司名并看到研究进度。README 未给出具体访问端口。

常见问题

Q：需要准备哪些 API Key？

A：必需 Tavily、Google Gemini、OpenAI 三个密钥；Google Maps API Key 和 MongoDB URI 在 README 中被列为可选或额外需要准备的项。

Q：前后端环境变量放在哪？

A：项目需要两个独立的 .env 文件：后端 .env 放在项目根目录，前端另有自己的 .env（README 未给出前端示例内容）。

Q：依赖安装很慢怎么办？

A：按 README 的 Pro Tip 先安装 uv，setup.sh 会自动检测并使用 uv 安装 Python 包，速度明显更快。

Q：怎么启动应用？

A：README 的启动命令部分被截断。推荐直接运行 ./setup.sh，脚本会引导配置并在最后询问是否启动前后端服务。

Q：可以用 Docker 部署吗？

A：可以。项目包含 Dockerfile 并支持 Docker Compose，同样需要准备两个 .env 文件，README 还提到 Heroku 和 Google Cloud Run 等云部署选项。

注意事项

README 中 pip install -r requirements.txt 处于注释状态，说明官方推荐用 setup.sh 自动安装。
必须准备两个独立的 .env 文件（后端根目录 + 前端），只配一个会缺配置。
README 的“Running the Application”章节被截断，没有给出确切的后端/前端启动命令与端口，请以 setup.sh 的交互提示为准。
部署方式可选 Docker、Heroku、Google Cloud Run，项目本身与平台无关。

核心亮点

用 LangGraph 状态图编排多智能体，规划、检索、分析分工明确，流程可追踪可扩展
同时支持 Gemini 2.5 Flash 与 GPT-5.1，可按成本或效果灵活切换推理后端
集成 Tavily 联网检索，能自动抓取并汇总公开信息，省去手动搜索与整理

不足之处

依赖外部模型与 Tavily API，需自备密钥，运行有调用成本
调研质量受搜索源覆盖度影响，非公开或付费数据难以获取
项目较新，文档与社区生态仍在成长中

适用场景

投资机构做初步尽职调查，快速生成目标公司背景与业务概览
销售团队在拜访前自动调研客户公司，准备沟通要点
分析师做竞品或行业研究，批量生成公司档案初稿

替代项目

GPT-Researcher、storm、AutoGen

上一篇：Legacy-Modernization-Agents

下一篇：rai