背景

最近在关注跨境电商相关的东西，自然免不了从网上搜罗各种资料。但说实话，感觉效率并不高。

问题出在几个地方：

1. 搜到的资料东一块西一块，特别分散。有些相互印证，但没法直接拿来当系统引用。
2. 容易忽略某些角度的重点，导致关键信息出现缺口。
3. 最终很难拼出一份完整的系统研究报告，没法拿来当长期参考。

恰巧这段时间系统地学习了LLM相关的知识，于是萌生了做一个Agent的想法——从某个议题出发，最终输出一份系统性的研究报告。这不只是简单的搜索，而是带迭代逻辑的深度搜索。这也正是DeepRearchSystem的缘起。

目标

1. 给出一个主议题，系统能根据议题动态拆解成支撑主议题的子查询。
2. 对子查询进行并行Web搜索，并返回结果，同时保存结果和引用的对应关系。
3. 循环迭代与反思——一轮搜索完成后，引入反思节点评估当前搜集的信息是否足以支撑对主议题的研究。
4. 如果存在知识盲区（knowledge_gap），它会自动生成后续查询，进入下一轮搜索（Loop），直到达到预设上限或信息充足。
5. 溯源与报告生成：最终将所有碎片化的搜索结果（Snippets）整合成一篇带有引用（Citation）的Markdown格式深度研报。

初步想法

• Planning（规划）：generate_search 节点负责制定计划。
• Tool Use（工具使用）：web_search 节点负责执行。
• Reflection（反思）：critique 节点负责监控进度和质量。
• Orchestration（编排）：LangGraph 负责状态管理和流程控制。

核心技术（初步）

• LangGraph 编排
• Agent
• MCP
• LLM as Judge
• Prompt Engineering
• Pydantic
• JSON
• ADR

TODO

至此，关于DeepRearchSystem就有了一个大概的构想。后续有时间，会持续更新整个项目的实现和进化。

《夸克》非常好用的免费AI浏览器

下载APP查看