AI工程师手册架构拆解深度研究智能体 6 大核心组件大纲/搜索/摘要/反思/格式化全解析【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbookAI工程师手册是一份面向AI工程师的开源实战资源合集其中的深度研究智能体Deep Research Agent项目堪称教科书级范例它不依赖任何 LLM 编排框架纯手写代码实现了一个能自主完成大纲规划 → 网络搜索 → 信息摘要 → 反思迭代 → 报告生成全流程的AI智能体。本文将从零开始为你拆解这个深度研究智能体的 6 大核心组件让你彻底看懂它的运行机制。什么是深度研究智能体它到底能做什么简单来说你只需要输入一个研究主题这个智能体就会自动搜索网络、撰写内容、反复反思查漏补缺最终在几分钟内产出一份结构完整的Markdown 研究报告并自动保存到reports目录。整个过程无需人工干预就像请了一位不知疲倦的AI研究员。项目的核心代码集中在building_agents_from_scratch/deep_research_agent/src/目录下主流程入口是 src/topology.py而各个组件分别由 src/agents.py 中的 6 个 Agent 类实现。从整体拓扑图可以看出整个流程是用户主题 → 大纲规划 → 逐段落深度研究 → 汇总总结 → 输出报告。下面我们逐一拆解 6 大核心组件。核心组件一大纲生成 —— 给报告搭建骨架这是深度研究智能体的总设计师。当你输入主题后大纲生成组件ReportStructureAgent会让大模型思考这份报告应该包含哪些段落并限制段落数量输出每个段落的标题和内容描述作为后续研究的蓝图。这些大纲会被写入系统的State状态中后续每个段落都会独立开展研究。规划相关的提示词定义在 src/prompts.py 中。核心组件二搜索查询 —— 生成最优搜索关键词拿到段落蓝图后搜索查询组件FirstSearchAgent登场。它会针对每个段落的内容让大模型思考要写出这段内容最应该去网上搜什么并生成一个最优的搜索查询词search query以及推理过程reasoning。接着智能体调用Tavily 网络搜索 API抓取排名靠前的搜索结果原文作为撰写素材。这个让LLM自己决定搜什么的设计正是深度研究智能体有别于普通搜索引擎的关键。核心组件三信息摘要 —— 把素材写成段落初稿搜索结果到手后信息摘要组件FirstSummaryAgent会将段落目标 搜索结果一起交给大模型让它以研究者的身份撰写段落初稿并将结果更新到该段落的latest_summary字段。到这里第一个版本的段落内容已经成型但还不够完美——接下来才是这个智能体的精髓所在。核心组件四反思机制 —— 查漏补缺的自我迭代反思组件ReflectionAgent是这个深度研究智能体最亮眼的设计。它会审视当前段落已经写好的内容思考我是不是遗漏了某些关键信息然后基于这个判断生成补充搜索词再次搜索网络把新素材补充进来。这个过程会默认重复执行 2 次代码中的NUM_REFLECTIONS 2形成搜索 → 反思 → 再搜索的迭代闭环确保信息收集的全面性。如上图所示每个段落的研究都会经历规划 → 生成搜索词 → 网络搜索 → 反思 → 重复n次的循环这正是深度研究智能体信息质量远超单次搜索的原因。核心组件五反思摘要 —— 增量式内容融合有了反思带来的新素材反思摘要组件ReflectionSummaryAgent负责把它们融合进已有段落。它遵循一个关键原则只补充缺失的信息不删除已有内容保证段落信息量只增不减内容越来越丰满。核心组件六报告格式化 —— 输出最终研究报告所有段落研究完毕后报告格式化组件ReportFormattingAgent登场。它汇总所有段落的最终状态自动生成报告标题并且如果大纲中没有结论段落还会自动根据已有内容补写一个结论最终输出一份排版整齐的Markdown 报告保存到reports目录下。状态管理数据如何在组件间流转你可能已经注意到6 大组件之间靠一个叫State的数据结构传递信息。在 src/state.py 中定义了四个核心数据结构State整个研究任务的顶层状态包含报告标题和段落列表Paragraph一个段落包含标题、内容和专属的研究记录Research段落的研究记录包含搜索历史、最新摘要和反思次数Search单次搜索的记录包含网址和原文内容每个段落都有自己的search_history搜索历史和latest_summary最新摘要组件间通过读写这些字段实现解耦协作。如何快速运行这个深度研究智能体想亲手体验跟着下面 4 步走几分钟就能跑起来克隆仓库git clone https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook配置环境变量复制env.example为.env填入 SambaNova大模型和 Tavily搜索的 API Key安装依赖项目使用uv管理 Python 依赖一条命令即可完成运行研究uv run --env-file .env src/topology.py --topic 你感兴趣的主题等待约 5 分钟一份完整的 Markdown 研究报告就会出现在reports文件夹中写在最后深度研究智能体之所以强大是因为它把复杂任务拆解成了6 个各司其职的组件大纲规划保证结构、智能搜索保证素材、摘要与反思保证质量、格式化保证产出。这个设计思路同样适用于你构建自己的AI智能体应用。如果你想深入学习建议从 src/topology.py 的主流程开始阅读再配合notebooks目录下的交互式 Jupyter Notebook 逐行运行观察理解效果最佳。【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI工程师手册架构拆解：深度研究智能体 6 大核心组件（大纲/搜索/摘要/反思/格式化）全解析
AI工程师手册架构拆解深度研究智能体 6 大核心组件大纲/搜索/摘要/反思/格式化全解析【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbookAI工程师手册是一份面向AI工程师的开源实战资源合集其中的深度研究智能体Deep Research Agent项目堪称教科书级范例它不依赖任何 LLM 编排框架纯手写代码实现了一个能自主完成大纲规划 → 网络搜索 → 信息摘要 → 反思迭代 → 报告生成全流程的AI智能体。本文将从零开始为你拆解这个深度研究智能体的 6 大核心组件让你彻底看懂它的运行机制。什么是深度研究智能体它到底能做什么简单来说你只需要输入一个研究主题这个智能体就会自动搜索网络、撰写内容、反复反思查漏补缺最终在几分钟内产出一份结构完整的Markdown 研究报告并自动保存到reports目录。整个过程无需人工干预就像请了一位不知疲倦的AI研究员。项目的核心代码集中在building_agents_from_scratch/deep_research_agent/src/目录下主流程入口是 src/topology.py而各个组件分别由 src/agents.py 中的 6 个 Agent 类实现。从整体拓扑图可以看出整个流程是用户主题 → 大纲规划 → 逐段落深度研究 → 汇总总结 → 输出报告。下面我们逐一拆解 6 大核心组件。核心组件一大纲生成 —— 给报告搭建骨架这是深度研究智能体的总设计师。当你输入主题后大纲生成组件ReportStructureAgent会让大模型思考这份报告应该包含哪些段落并限制段落数量输出每个段落的标题和内容描述作为后续研究的蓝图。这些大纲会被写入系统的State状态中后续每个段落都会独立开展研究。规划相关的提示词定义在 src/prompts.py 中。核心组件二搜索查询 —— 生成最优搜索关键词拿到段落蓝图后搜索查询组件FirstSearchAgent登场。它会针对每个段落的内容让大模型思考要写出这段内容最应该去网上搜什么并生成一个最优的搜索查询词search query以及推理过程reasoning。接着智能体调用Tavily 网络搜索 API抓取排名靠前的搜索结果原文作为撰写素材。这个让LLM自己决定搜什么的设计正是深度研究智能体有别于普通搜索引擎的关键。核心组件三信息摘要 —— 把素材写成段落初稿搜索结果到手后信息摘要组件FirstSummaryAgent会将段落目标 搜索结果一起交给大模型让它以研究者的身份撰写段落初稿并将结果更新到该段落的latest_summary字段。到这里第一个版本的段落内容已经成型但还不够完美——接下来才是这个智能体的精髓所在。核心组件四反思机制 —— 查漏补缺的自我迭代反思组件ReflectionAgent是这个深度研究智能体最亮眼的设计。它会审视当前段落已经写好的内容思考我是不是遗漏了某些关键信息然后基于这个判断生成补充搜索词再次搜索网络把新素材补充进来。这个过程会默认重复执行 2 次代码中的NUM_REFLECTIONS 2形成搜索 → 反思 → 再搜索的迭代闭环确保信息收集的全面性。如上图所示每个段落的研究都会经历规划 → 生成搜索词 → 网络搜索 → 反思 → 重复n次的循环这正是深度研究智能体信息质量远超单次搜索的原因。核心组件五反思摘要 —— 增量式内容融合有了反思带来的新素材反思摘要组件ReflectionSummaryAgent负责把它们融合进已有段落。它遵循一个关键原则只补充缺失的信息不删除已有内容保证段落信息量只增不减内容越来越丰满。核心组件六报告格式化 —— 输出最终研究报告所有段落研究完毕后报告格式化组件ReportFormattingAgent登场。它汇总所有段落的最终状态自动生成报告标题并且如果大纲中没有结论段落还会自动根据已有内容补写一个结论最终输出一份排版整齐的Markdown 报告保存到reports目录下。状态管理数据如何在组件间流转你可能已经注意到6 大组件之间靠一个叫State的数据结构传递信息。在 src/state.py 中定义了四个核心数据结构State整个研究任务的顶层状态包含报告标题和段落列表Paragraph一个段落包含标题、内容和专属的研究记录Research段落的研究记录包含搜索历史、最新摘要和反思次数Search单次搜索的记录包含网址和原文内容每个段落都有自己的search_history搜索历史和latest_summary最新摘要组件间通过读写这些字段实现解耦协作。如何快速运行这个深度研究智能体想亲手体验跟着下面 4 步走几分钟就能跑起来克隆仓库git clone https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook配置环境变量复制env.example为.env填入 SambaNova大模型和 Tavily搜索的 API Key安装依赖项目使用uv管理 Python 依赖一条命令即可完成运行研究uv run --env-file .env src/topology.py --topic 你感兴趣的主题等待约 5 分钟一份完整的 Markdown 研究报告就会出现在reports文件夹中写在最后深度研究智能体之所以强大是因为它把复杂任务拆解成了6 个各司其职的组件大纲规划保证结构、智能搜索保证素材、摘要与反思保证质量、格式化保证产出。这个设计思路同样适用于你构建自己的AI智能体应用。如果你想深入学习建议从 src/topology.py 的主流程开始阅读再配合notebooks目录下的交互式 Jupyter Notebook 逐行运行观察理解效果最佳。【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考