基于 LangGraph 的 Python 库与可运行教程,实现了 35 种智能体 AI 架构,涵盖反思、检索增强、记忆与多智能体等模式。
rotemweiss57/gpt-newspaper
由多个 AI 代理组成的虚拟编辑部,按你选择的主题检索新闻、撰写带引用的文章并排版成个性化报纸。
- Star
- 1,484
- Fork
- 204
- 未关闭 Issue
- 22
- 最近提交
- 6天前
这是什么?
GPT Newspaper 根据你给出的主题列表生成个性化报纸。记者代理通过 Tavily 检索新闻,策展代理过滤无关结果,撰稿代理基于完整原文起草文章,评审代理将稿件退回修改,最后由总编辑排出头版。文中的事实陈述附有编号来源的行内引用。
项目基于 LangGraph 构建,模型接口使用 LangChain,可通过一个 provider:model 字符串切换 OpenAI、Anthropic、Google、Groq、Mistral、xAI、DeepSeek 以及本地 Ollama 模型。美术指导代理可以生成水墨、版画或风格化插图,也可以直接使用来源中的新闻图片。
项目提供带实时进度展示的网页应用、流式 HTTP API、命令行工具以及 LangGraph Studio 支持。生成的报纸可打印或保存为 PDF,并存入归档。
核心功能
- 01为每个主题规划多组新闻检索,并通过 Tavily 并行执行。
- 02筛选并排序来源;主题近期新闻较少时自动扩大时间范围。
- 03撰写带行内引用的文章,并通过评审代理循环修改。
- 04通过统一的 provider:model 配置支持多家大模型,包括本地 Ollama。
- 05可生成多种风格的插图,也可使用来源中的新闻图片。
- 06通过网页界面、API 或命令行实时查看生成进度。
适用场景
- 通过命令行和定时任务,每天生成一份关注主题的个人报纸。
- 基于 LangGraph 搭建多代理研究与写作流程的原型。
- 生成带引用的多语言新闻摘要。
快速上手
- 1
克隆仓库
git clone https://github.com/rotemweiss57/gpt-newspaper.git - 2
进入项目目录
cd gpt-newspaper - 3
安装 Python 依赖
pip install -r requirements.txt - 4
启动网页应用,然后打开 http://localhost:8000 并添加你的密钥
python app.py
使用前须知
- 需要 Tavily API 密钥,以及模型提供商的密钥或本地 Ollama。
- 即使文章由其他提供商撰写,插图仍需要 OpenAI 密钥。
- 文章由 AI 生成,可能包含错误,使用前需核查来源。
- 项目自述为实验性质,按“原样”提供。
收录于专题
标签
常见问题
- gpt-newspaper 是什么?
- 由多个 AI 代理组成的虚拟编辑部,按你选择的主题检索新闻、撰写带引用的文章并排版成个性化报纸。 GPT Newspaper 根据你给出的主题列表生成个性化报纸。记者代理通过 Tavily 检索新闻,策展代理过滤无关结果,撰稿代理基于完整原文起草文章,评审代理将稿件退回修改,最后由总编辑排出头版。文中的事实陈述附有编号来源的行内引用。
- gpt-newspaper 可以免费使用吗?用的什么许可证?
- gpt-newspaper 以 MIT 许可证开源。用于商业产品前,请先确认许可证条款。
- gpt-newspaper 还在维护吗?
- 活跃维护中。gpt-newspaper 最近一次提交是在 2026年11月1日。
- gpt-newspaper 适合用来做什么?
- 通过命令行和定时任务,每天生成一份关注主题的个人报纸。 基于 LangGraph 搭建多代理研究与写作流程的原型。 生成带引用的多语言新闻摘要。
- gpt-newspaper 怎么安装和运行?
- 克隆仓库: git clone https://github.com/rotemweiss57/gpt-newspaper.git 进入项目目录: cd gpt-newspaper 安装 Python 依赖: pip install -r requirements.txt 启动网页应用,然后打开 http://localhost:8000 并添加你的密钥: python app.py
- 在哪里获取 gpt-newspaper?
- 源代码和安装说明在 GitHub 上:https://github.com/rotemweiss57/gpt-newspaper
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
基于 RAG 的命令行工具,可跨 PDF、音频、视频、Anki 等多种文档进行总结和提问,支持任意 LLM 服务商。
开箱即用的 Python 智能体框架,基于 LangGraph,适合长链路多步骤任务。
基于 LangGraph 的多智能体研究助手,可生成假设、进行数据分析与可视化并撰写研究报告。
基于 FastAPI 的对话式 RAG 后端,将文档写入 Qdrant 向量库,支持语义与混合检索并调用大模型问答。
开源 ChatBI 数据助手,基于 LangChain/LangGraph 和 MCP 多智能体,将自然语言问题转为 SQL 查询与可视化图表。