医学研究助手：多 Agent + 实时数据

n8n 与 Bright 挑战：势不可挡的工作流

本文是由 n8n 和 Bright Data 发起的 AI Agents Challenge 参赛作品。

我构建了一款 Co-Research 应用，旨在帮助医疗健康领域的科学家加快药物发现工作。它使用多个 n8n AI Agent 节点，每个节点都将 BrightData 作为工具，从互联网获取实时数据。

每个 Agent 负责一项特定任务，例如获取临床试验数据、查阅文献、分析安全性问题，最后再由一个 Agent 汇总所有结果，生成条理清晰的摘要和洞察。

主工作流
子工作流

在线应用

你可以通过下面的链接体验这款应用。

https://co-researcher.vercel.app

子工作流（BrightData）JSON

子工作流（BrightData）JSON

技术实现

我创建了两个工作流。

主工作流

实际的研究流程在这里执行。它使用多个 AI Agent，每个 Agent 分别负责研究流程中的一个特定环节。

主工作流

实际的研究流程在这里执行。它使用多个 AI Agent，每个 Agent 分别负责研究流程中的一个特定环节。

子工作流

使用 BrightData 搜索互联网。你可以把它看作一个可复用的辅助函数：它负责处理网页搜索任务，并且可以与任何现有或新建的工作流配合使用。在这个项目中，三个不同的 Agent 都使用同一个子工作流作为搜索工具。

子工作流

使用 BrightData 搜索互联网。你可以把它看作一个可复用的辅助函数：它负责处理网页搜索任务，并且可以与任何现有或新建的工作流配合使用。在这个项目中，三个不同的 Agent 都使用同一个子工作流作为搜索工具。

LLM 模型：我使用了 Gemini Flash，因为它提供免费额度。
Memory：我使用了 n8n 提供的 simple memory。
工具：BrightData 搜索。

简单来说，技术栈如下：

• n8n：研究自动化
• BrightData：网页搜索

Bright Data 认证节点

我使用了几个 Bright Data 节点。

Webscrapper Node 搭配 Google AI search。

这个项目的灵感来自 James Zou 关于 Virtual Lab of AI Scientists 的演讲。由于这只是一个黑客松项目，我并没有完整复现他的版本，而是采用了他提出的核心思路，因此应当将相关创意归功于他。

接下来聊聊我的实际开发历程

我此前完全没有接触过 n8n 和 BrightData，因此不得不先看一些 YouTube 视频，对它们形成整体认识。此外，我一向喜欢尽量避开各种工具，更喜欢所有东西都自己写代码，所以这一整套理念好得让我有些难以置信。我个人最喜欢的是，只需提供 API keys 就能轻松集成各种平台，以及 AI Agent 工具的编排能力。这实在太酷了，因为如果让我自己用代码实现，至少得花上一周时间。

我开始在 n8n 中尝试 BrightData，最初打算直接把它作为 Agent 节点中的工具使用。但这种方式对我来说并不奏效，因为结果会被保存在 BrightData snapshot 中，这使得整个流程很难得到妥善编排。

于是，我想到可以单独创建一个工作流，再把它作为工具调用。事实证明，这种方式非常适合我。最终，我得到了一个可复用的网页搜索工作流，基本上可以将它接入任何需要搜索能力的地方。我非常喜欢这个简洁的解决方案。

现在，我只需要找一个地方存储记录。我想尽量保持简单，所以选择了 Airtable。最后，我创建了一个 Next.js 应用，让用户能够访问它并查看结果。

你可以在下面的 GitHub 仓库中找到代码以及 n8n 工作流 JSON 文件。

GitHub

如果你已经读到了这里，希望你能点个赞，非常感谢。

部分评论可能只有登录后的访客才能看到。请登录以查看全部评论。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。