MarketMind AI

面向对象与背景

市场研究通常需要在多个信息源之间反复搜索、核验和整理。MarketMind AI 面向需要快速理解市场、竞品、产品或供应链的企业团队、产品经理、创业者与行业研究者，把分散的信息搜集过程组织成一条可观察的 Agent 工作流。

需要解决的问题

通用聊天模型容易跳过研究计划、混淆事实与推断，且报告质量缺少稳定标准。项目需要让研究过程具备明确步骤、可追溯证据、统一输出格式和自动质量复核，同时在外部模型或搜索失败时保持服务可用。

项目目标

• 识别竞品、产品、供应链或综合研究类型，并生成结构化研究计划。
• 通过公开网页搜索收集可验证信息，保留来源链接并对证据去重。
• 生成区分事实、分析和建议的 Markdown 报告，并自动评估报告质量。

设计约束

• 外部搜索与模型接口存在延迟、失败和调用成本，需要限制检索轮次并提供回退结果。
• 前后端分离部署，模型密钥只能保存在 FastAPI 后端。
• 公开信息的时效性和完整性不同，报告必须区分证据与推断。

搭建的逻辑框架

• Next.js 提供研究输入与 Markdown 报告展示，FastAPI 暴露统一的 /api/agent 接口。
• LangGraph 编排：上下文准备 → Planner 任务拆解 → Research Agent → 搜索工具 → Evidence 证据整理 → Report 报告生成 → Scorer 质量评分 → 输出。
• Skill Loader 注入企业研究规范；Planner 生成检索计划，Research Agent 按步骤搜索，证据层按 URL 去重。
• 报告层输出 Facts、Analysis、Recommendations 与 Sources；评分层复核覆盖度、真实性、结构、可执行性和引用质量。

使用价值

• 把开放式调研问题转换为有计划、有来源、有评分的研究报告。
• 支持竞品、产品、供应链和综合研究四类任务，并统一返回报告与评分结果。
• 通过检索上限、异常捕获和降级报告，让外部服务失败时 API 仍可返回可读结果。

项目总结

• 多 Agent 系统的价值来自模型能力，也来自状态、证据、停止条件和质量门槛的显式设计。
• 拆分事实采集、分析生成和质量评分，能提升结果的可解释性并便于独立测试。