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-handbook
AI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
