在人工智能應(yīng)用領(lǐng)域中，深度研究代理已成為最具價值和廣泛應(yīng)用的智能體類型之一。LangChain Open Deep Research 作為一個簡潔高效、高度可配置且完全開源的深度研究代理框架，支持跨多種模型提供商、搜索引擎和 MCP（Model Context Protocol）服務(wù)器運行。本文將深入剖析其系統(tǒng)架構(gòu)設(shè)計原理，并通過實際代碼驗證演示其核心實現(xiàn)機(jī)制與技術(shù)特性。

系統(tǒng)架構(gòu)設(shè)計

核心設(shè)計理念：AI 代理之所以特別適合研究任務(wù)，在于其具備靈活運用多樣化策略的能力，能夠基于中間結(jié)果動態(tài)調(diào)整探索方向。LangChain Open Deep Research 采用結(jié)構(gòu)化的三階段研究流程：

• Scope（范圍界定）：明確研究邊界與目標(biāo)
• Research（深度研究）：執(zhí)行信息收集與分析
• Write（報告撰寫）：生成結(jié)構(gòu)化研究報告

第一階段：范圍

本階段旨在完整收集研究所需的用戶上下文與約束條件，通常包括兩個步驟：用戶澄清與研究簡報生成。

用戶澄清（Clarification）

在實踐中，用戶的研究請求往往缺乏足夠的背景信息。系統(tǒng)將通過對話式模型提出必要的澄清問題，以獲取缺失的上下文和邊界，例如目標(biāo)受眾、研究深度、偏好來源及時間范圍等。

研究簡報生成（Brief Generation）

澄清階段的對話可能包含多輪交流、跟進(jìn)問題以及用戶提供的示例材料（如過往研究報告）。為避免上下文膨脹與無效 token 消耗，系統(tǒng)會將這些信息凝練為一份結(jié)構(gòu)化、可操作的研究簡報。該簡報在后續(xù)研究與撰寫階段充當(dāng)“北極星”，持續(xù)對齊目標(biāo)與范圍。

第二階段：研究

本階段的目標(biāo)是根據(jù)研究簡報系統(tǒng)性地收集與整合背景信息。我們采用“主管-子代理”的協(xié)同模型完成研究任務(wù)。

研究主管（Research Supervisor）

研究主管負(fù)責(zé)對研究簡報進(jìn)行任務(wù)分解，并將子任務(wù)分派給若干子代理。每個子代理擁有獨立的上下文窗口，專注于其對應(yīng)的子主題。這一機(jī)制帶來兩點收益：

• 支持并行化研究，顯著縮短總體時長
• 避免不同子主題之間的上下文干擾，提升信息質(zhì)量與聚焦度

研究子代理（Research Sub-Agents）

每個子代理僅圍繞被分配的子主題開展工作，通過工具調(diào)用循環(huán)（Tool-Calling Loop）利用已配置的搜索工具與/或 MCP 工具進(jìn)行檢索與驗證。子代理在完成研究后，會進(jìn)行一次收尾性 LLM 調(diào)用，產(chǎn)出圍繞子問題的結(jié)構(gòu)化回答，并附帶必要的引用與出處。

為避免原始工具輸出造成上下文與 token 膨脹，子代理會對抓取的網(wǎng)頁內(nèi)容、失敗的調(diào)用與無關(guān)信息進(jìn)行清理與歸納后再返回給研究主管。這樣可以降低上游解析負(fù)擔(dān)，保證反饋的高密度與可用性。

研究主管迭代（Research Supervisor Iteration）

主管將基于子代理的產(chǎn)出判斷是否覆蓋了簡報中的研究范圍。如仍存在空白或需要更深入的分析，主管會動態(tài)增派新的子代理繼續(xù)迭代，直至滿足研究邊界與信息質(zhì)量的要求。

第三階段：報告撰寫

當(dāng)研究結(jié)果達(dá)標(biāo)后，將進(jìn)入報告撰寫階段。系統(tǒng)會將研究簡報與全部子代理產(chǎn)出提供給 LLM，由其一次性生成結(jié)構(gòu)化、可引用的研究報告，確保內(nèi)容與研究目標(biāo)對齊，并以研究證據(jù)為主線進(jìn)行論證與呈現(xiàn)。

教訓(xùn)

僅在易于并行化的任務(wù)上使用多代理

多智能體與單智能體架構(gòu)是系統(tǒng)設(shè)計中的關(guān)鍵抉擇。從認(rèn)知科學(xué)視角看，多智能體并行協(xié)作天然存在協(xié)調(diào)成本；當(dāng)任務(wù)（如復(fù)雜應(yīng)用構(gòu)建）需要多個智能體輸出高度協(xié)同時，這一風(fēng)險尤為突出。

在早期版本中，我們曾嘗試讓研究主管與子代理并行撰寫報告的不同部分。此策略雖大幅加快生成速度，但也印證了上述風(fēng)險：各部分之間缺乏一致性的論證鏈與敘事連貫性。為此，我們將多代理并行的范圍限定在研究階段，待研究完成后再統(tǒng)一執(zhí)行撰寫流程，以保證結(jié)構(gòu)與邏輯的一致性。

多智能體有助于隔離不同子研究主題的上下文

當(dāng)請求包含多個子主題（如 A/B/C 對比）時，單智能體往往需要在單一上下文窗口中同時存儲并推理所有子主題的工具反饋，且這些反饋往往包含大量 token?？缰黝}的工具調(diào)用逐步累積后，容易引發(fā)上下文沖突與推理偏移。通過為每個子主題分配獨立的子代理及上下文窗口，可以顯著降低干擾，提升答案的聚焦度與可驗證性。

上下文工程對于緩解 Token 膨脹與引導(dǎo)行為至關(guān)重要

研究任務(wù)天然消耗大量 Token。已有報告顯示，多智能體系統(tǒng)的 Token 使用量可達(dá)普通聊天應(yīng)用的 15 倍。我們采用上下文工程策略進(jìn)行緩解：

• 將多輪對話壓縮為結(jié)構(gòu)化研究簡報，抑制歷史消息導(dǎo)致的 Token 膨脹
• 由子代理先行清洗與歸納研究結(jié)果，剔除無關(guān)信息與失敗調(diào)用，再上送主管

缺乏充分的上下文工程會使代理快速觸達(dá)上下文窗口上限，且提升無效 Token 成本。合理的上下文工程不僅能優(yōu)化成本，還可降低 TPM 速率限制觸發(fā)概率。

快速部署指南

環(huán)境準(zhǔn)備

1. 獲取源碼并建立虛擬環(huán)境：

git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

1. 安裝項目依賴

uv sync
# 或者
uv pip install -r pyproject.toml

1. 配置環(huán)境變量

首先復(fù)制配置模板：

cp .env.example .env

編輯 ??.env?? 文件并填入必要的 API 密鑰（建議將 LANGSMITH_TRACING 設(shè)為 false 以提升啟動速度）：

OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://platform.openai.com/api-keys
ANTHROPIC_API_KEY=
GOOGLE_API_KEY=
TAVILY_API_KEY=tvly-dev-xxx
LANGSMITH_API_KEY=
LANGSMITH_PROJECT=
LANGSMITH_TRACING=false

1. 啟動 LangGraph 服務(wù)器

uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking

成功啟動后，系統(tǒng)將提供以下訪問入口：

- ?? API: http://127.0.0.1:2024
- ?? Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- ?? API Docs: http://127.0.0.1:2024/docs

常見問題解決

若遇到代理網(wǎng)絡(luò)錯誤：

# 錯誤：ImportError: Using SOCKS proxy, but the 'socksio' package is not installed.
uv add 'httpx[socks]'

系統(tǒng)運行演示

以下為"Spring AI 調(diào)研報告"生成的完整流程演示：

用戶澄清階段

系統(tǒng)首先進(jìn)行需求澄清，確保研究目標(biāo)明確：

請問您需要關(guān)于 Spring AI 的哪方面的調(diào)研報告？例如：
1. 技術(shù)架構(gòu)與特性
2. 應(yīng)用場景與項目案例
3. 與其他 AI 框架的對比
4. 市場現(xiàn)狀與發(fā)展趨勢
請指定您關(guān)注的方向，或其他具體需求。

研究簡報生成

基于用戶反饋，系統(tǒng)生成結(jié)構(gòu)化研究簡報：

已收到您的需求，您需要關(guān)于 Spring AI 的以下全方面調(diào)研報告：
1) 技術(shù)架構(gòu)與特性，2) 應(yīng)用場景與項目案例，
3) 與其他 AI 框架的對比，4) 市場現(xiàn)狀與發(fā)展趨勢。
我們將基于這些方面，開始進(jìn)行全面的資料收集和分析。

簡報生成節(jié)點：??write_research_brief??

研究主管協(xié)調(diào)：??research_supervisor??

最終報告輸出

質(zhì)量評估：幻覺現(xiàn)象分析

盡管系統(tǒng)架構(gòu)先進(jìn)，但 AI 幻覺問題依然存在。以下為引用準(zhǔn)確性分析示例：

案例1：準(zhǔn)確引用

- **Spring AI Samples**（Thomas Vitale）：官方示例項目，展示文檔檢索、ChatBot、向量數(shù)據(jù)庫等功能一站式集成（見 Awesome Spring AI，涵蓋多應(yīng)用模板）【2】。

[2] spring-ai-community/awesome-spring-ai - GitHub: https://github.com/spring-ai-community/awesome-spring-ai

評估結(jié)果：? 文檔內(nèi)容與引用高度相關(guān)

案例2：引用偏差

- **Moroccan Cooking Companion**（美食生成 AI 助手）：結(jié)合向量數(shù)據(jù)庫與 OpenAI，構(gòu)建帶有本地文檔檢索和多語言回復(fù)的個性化烹飪助手【5】。

[5] 10 Real-Time Generative AI Projects Using Spring Boot, React ... - Medium: https://codefarm0.medium.com/use-cases-for-an-ai-agent-in-java-for-learning-4ba1ece8e247

評估結(jié)果：? 引用源討論的是通用案例，與描述的美食助手無直接關(guān)聯(lián)

案例3：準(zhǔn)確引用

- **大學(xué)創(chuàng)新與教學(xué)應(yīng)用**（如 Notre Dame）：利用 Spring AI 和 LLM 內(nèi)核搭建了課程問答，自動課程歸類、學(xué)生課程轉(zhuǎn)移評估、AI 助手提升教務(wù)及學(xué)習(xí)體驗【6】。

[6] Spring 2025 AI at the University of Notre Dame Update | News: https://ai.nd.edu/news/spring-2025-ai-update/

評估結(jié)果：? 引用源與描述內(nèi)容高度匹配

系統(tǒng)優(yōu)化建議

1. 增強(qiáng)引用驗證機(jī)制：在子代理生成結(jié)論前增加引用-內(nèi)容匹配度檢查
2. 上下文約束優(yōu)化：通過更精確的提示工程減少無關(guān)信息的混入
3. 后處理質(zhì)檢流程：在報告生成后增加自動化事實核查環(huán)節(jié)

參考

• open_deep_research
• Open Deep Research

本文轉(zhuǎn)載自??AI 博物院?? 作者：longyunfeigu