深度研究是各大AI平台都比较比较常见的智能体，无论是国外的OpenAI、Google或是国内的Kimi、阿里等都提供了此功能。只需要通过输入想要研究探索的主题该智能体就会自动通过网络检索、调用工具等抓取与用户关心的该主题的相关内容，然后输出该主题的报告/文章。

对于DeepResearch这种比较常见的智能体是否还有造轮子的意义呢，答案是肯定的。通过造轮子这种常见、流程简单的智能体比较容易跨进学习相关框架、Agent开发的的门槛。这类智能体最关键的还是Search的数据源质量怎样，如果Search得到的数据质量不高，再怎样也得不到比较高质量的文章/报告。

本文除了介绍极简深度研究智能体的实现外在文章的最后还会开源相关代码。

智能体结构

本文所述极简深度检索智能体包含五个Agent，生成查询Agent、网络搜索Agent、反思Agent、报告生成Agent。生成查询Agent**：**根据用户输入的内容提交给大模型，对该原始问题进行查询生成，生成一个或多个多样化的查询。使得在下一步的Agent从能够搜索到更多有用的信息。此Agent生成的是一个或多个查询列表：{“query_list”:{“query”:[“子查询”],“rationale”:“简要解释这些查询与研究主题的相关性”}}
   此Agent的工作：
   1、发起模型调用生成子查询
   2、根据子查询列表发起N次[网络检索Agent]请求(并发)

网络检索Agent：根据[生成查询Agent]所生成的查询列表调用网络工具进行检索，此处的网络检索工具可以是Tavily、博查或搜索引擎或自己开发的工具等。将网络检索到的网络资料提交到大模型，生成关于在 生成查询Agent 阶段所提供问题的研究摘要。
   此Agent的工作：
   1、根据[生成查询Agent]生成的查询列表发起一次或多次网络检索。
   2、针对该[查询列表]生成一份或多份研究摘要。

反思AgentAgent：收到[网络检索Agent]所生成的研究摘要是由N个[网络检索Agent]生成的，并分析其所生成的摘要与用户的[原始问题]是否存在知识缺口或还需要深入探索的领域来决定是否已经满足用户[原始问题]的回答，或还需要返回【网络检索Agent】进行进一步的网络检索。
   此Agent生成：{“is_sufficient”: 是否充分,“knowledge_gap”: 描述缺失或需澄清的信息,“follow_up_queries”: 针对缺口提出的具体问题}
   此Agent的工作：
   1、判断[网络检索Agent]生成的摘要是否存在知识缺口。
   2、是则返回[网络检索Agent]，否则进入[报告生成Agent]。

报告生成Agent：根据用户[原始问题]以及[网络检索Agent]阶段所生成的摘要，生成最终的研究报告/文章。

智能体实现

下面是代码为极简深度研究的Agent构建关键代码，Agent五个节点的创建及拓扑，以及两条边continue_to_web_research、evaluate_research，用于控制数据的流转。下面是LangGraph的实现代码。

def _build_graph(self):        # 创建 Agent Graph        builder = StateGraph(OverallState, config_schema=Configuration)        # 定义将在循环中使用的节点        builder.add_node("generate_query", generate_query)        builder.add_node("web_research", web_research,        retry=RetryPolicy(max_attempts=3))        builder.add_node("reflection", reflection)        builder.add_node("finalize_answer", finalize_answer)        # 将 generate_query 设置为入口点 即该节点为首个被调用的节点        builder.add_edge(START, "generate_query")        # 添加条件边，在并行分支中继续执行搜索查询        builder.add_conditional_edges(            "generate_query", self._continue_to_web_research, ["web_research"]        )        # 连接网络搜索节点到反思节点        builder.add_edge("web_research", "reflection")        # 评估研究结果        builder.add_conditional_edges(            "reflection", self._evaluate_research, ["web_research", "finalize_answer"]        )        # 最终确定答案        builder.add_edge("finalize_answer", END)        return builder.compile(name="research-agent")

continue_to_web_research：[生成查询]与[网络搜索]之间的边，根据查询[生成查询]生成子查询并发起N个[网络检索Agent]请求。

evaluate_research：[反思Agent]与[网络检索Agent]和[报告生成Agent]之间的边，根据研究循环次数以及子问题的摘要是否充分决定跳转到哪个节点。

网络检索：这里现在使用的是 Tavily，在Tavily返回数据后再次发起请求获取详细的页面信息，目前看数据质量也不是很好，但也比使用无头浏览器包装一层的的搜索引擎数据质量好不少。

前端

目前页面只弄了发起Agent的SSE请求，在Agent运行时各Agent节点状态变动时的页面展示以及最后结果输出的展示。

扩展

目前智能根据网络搜索的结果进行研究报告生成，生成内容的质量取决于搜索结果的质量，可扩展方向包括加入上传文件的检索、网络搜索内容过滤等。

这里也只是算是一个全栈的智能体示例，虽然这里用的是LangGraph，但个人并不喜欢LangGraph，框架封装过于复杂。目前各类Agent框架很多用哪个全凭个人喜好，或这不用框架自己实现Agent的封装。下面GitHub地址包含前后端代码。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】