LangChain 用 Perplexity Agent API 与 LangGraph 构建 90 秒生成可溯源 VC 投资备忘录的 Agent

在风投基金开出支票之前，总得有人先写好备忘录。投资备忘录是分析师提交给投资委员会、用以讨论该笔投资是否合理的内部文件。备忘录的主题可能包括投资论点、市场规模、业务进展、团队、竞争、风险以及最终建议。这是合伙人实际投票所依据的文件，而一份典型的草稿可能需要数十小时的研究和写作。

基金审阅的机会远多于其实际投资的项目，因此大部分初步研究都花在那些最终被放弃的公司上。分析师仍要花费数小时在 Crunchbase、PitchBook、投资者关系页面、财报报道和新闻中搜集信息，然后逐一人工核对每一个数字。

我们构建了一个智能体，能在约九十秒内生成该备忘录的初稿版本，API 成本约为 0.40 美元，且每一条论断都可追溯到一手来源。分析师可以从这份带引用的草稿入手加以完善，而不必从零开始，从而省下原本需要花费的数小时。它分两个阶段运行：研究节点并行收集证据，然后由一个独立的综合器仅依据它们找到的内容撰写备忘录。

该智能体接收一个公司名称，生成一份有引用支撑的备忘录，包含七个部分：概览、团队、财务、产品、市场、风险，以及以一句话建议结尾的投资论点。它运行在 Perplexity Agent API 及其内置的 web_search 和 finance_search 工具之上，使用 LangGraph 进行编排，使用 LangSmith 进行评估。

架构

四个研究节点（团队、财务、产品、市场）从一开始就并行运行。每个节点都是一次 Perplexity Agent API 调用，拥有自己的工具和搜索预算。财务节点额外使用 finance_search 获取结构化财务数据；其他节点使用 web_search。四个节点全部完成后，由单个综合器节点组装备忘录。在 LangGraph 中，连接代码很简短：

def build_graph():
    g = StateGraph(MemoState)
    g.add_node("team", team_node)
    g.add_node("financials", financials_node)
    g.add_node("product", product_node)
    g.add_node("market", market_node)
    g.add_node("synthesizer", synthesizer_node)

    for section in ("team", "financials", "product", "market"):
        g.add_edge(START, section)        # fan out from START, in parallel
        g.add_edge(section, "synthesizer")  # ...and back into the synthesizer

    g.add_edge("synthesizer", END)
    return g.compile()

状态管理在这里很重要。每个研究节点只读取 state["company"]，不依赖其他节点的输出。它们的写入都落在一个 research_output 键上，但在我们的完整代码中，该键使用了 reducer，它会按部分名称合并四个并发写入，而不是让它们相互冲突。如果没有那个 reducer，对同一键的两个并行写入会触发 LangGraph 的 InvalidUpdateError（该模式的用法参见 reducers 参考文档）。将每个节点限定在一个领域内也有好处：团队、财务、产品和市场各自拥有自己的工具、搜索预算和提示词，因此节点的上下文始终聚焦于它负责的领域。

无工具的综合器

综合器没有工具。它根据四个节点的研究输出撰写全部七个备忘录部分，因此每一条带引用的论断都基于某个节点实际完成的研究。第 1-6 部分均以 ### Citations 列表结尾，将每个来源 URL 与其所支撑的证据配对。投资论点是唯一一个仅作分析、不带引用的部分。

每个节点的工具调用和输出都被记录在 LangSmith 中，因此你可以取最终备忘录中的任意一行，通过综合器一路追溯到产生它的搜索结果。

选择搜索提供商

该由哪个搜索提供商来支撑这个 agent？我们在 LangSmith 中对三家提供商在十家公司上进行了评分，使用自定义评估器衡量一手来源率和金融概念覆盖率，同时结合内置的成本和延迟指标。一手来源率是指一份备忘录的引用中指向 IR 页面、SEC 文件和官方新闻稿的比例，而非 Wikipedia 或 Crunchbase 这类聚合网站。

‍

合适的提供商取决于你的用例。成本、延迟，以及像一手来源率这样的搜索准确性指标是很好的起点，但请使用 cookbook 来定义并评分你自己的指标。

它产出什么

一段来自 Anthropic 运行的、经过精简的 Thesis 部分：

在已确认的约 3800 亿美元投后估值下，该公司已被定价为一个世代级平台，而可获得的财务证据仍是 run-rate 而非经审计的收入。在没有更深入尽职调查的情况下，我们不应在此估值下领投。建议：TRACK

章节列表和 PASS / TRACK / ADVANCE / LEAD 分级只是我们选择的格式；换成你团队使用的任何格式即可。

这是一份起始草稿，而非完成的备忘录：对资料完善的公司效果最好，对覆盖稀少的私营公司较弱，而且 Thesis 是模型自己的分析，而非有引用的章节。分析师在依赖它之前仍应进行核查。

要点

• 让 LangGraph 处理并发。并行运行节点，并让共享状态上的 reducer 合并它们的并发写入，这样你无需自己协调这些写入就能获得并行加速。
• 让每个论断都基于检索到的证据。当写作步骤只能利用先前搜索步骤找到的内容时，每个论断都能追溯到真实来源，而非幻觉来源，从而使结果端到端可审计。
• 把提供商选择变成一个实验。自定义 LangSmith 评估器将“选哪个提供商？”转化为可跨运行比较的分数，因此答案取决于你的用例，而非供应商的说法。

后续步骤：换成你公司的备忘录模板，为你关心的指标添加一个评估器，或在你自己的投资组合上运行该 agent。

👉 打开完整 cookbook：可运行的代码、全部三家提供商配置，以及 LangSmith 评估框架。相关内容：Perplexity Agent API 工具 · LangChain Perplexity 提供商 · LangSmith 评估

‍

‍