Accueil / Articles

Créer un agent de recherche avancé avec LangChain Deep Agents et

Un agent de recherche avancé avec LangChain Deep Agents et la recherche Liner : pourquoi la couche de recherche est importante, la recherche versus le raisonnement, et la manière dont le LLM planifie ses recherches.

Éditeur : REACTAPP.TOP12 min de lecture2724 mots

Sources: Building a Deep Research Agent with LangChain Deep Agents and Liner

Les notes suivantes reconstituent une approche pratique pour « Construire un agent de recherche avancé avec LangChain Deep Agents et Liner ». L’accent est mis sur les contrats, les vérifications et les placeholders de code à insérer, plutôt que sur une présentation motivante. Lors de la phase d’aperçu, notez d’abord le contrat : les entrées requises, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de rester honnête lors des modifications ultérieures du code. Documentez à la fois le parcours normal et les scénarios de récupération. Les tentatives répétées, les contrôles humains et la gestion des messages non traités font partie intégrante du produit, et non d’une mise en forme ultérieure.

Ce que nous construisons

La phase « Ce que nous construisons » fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Recueillez un transcript exemplaire, un cas d’échec et la note de réversion avant d’élargir le périmètre. Préférez des unités petites et testables à des scripts complexes. Lorsqu’une étape échoue, l’erreur doit pointer vers une seule responsabilité plutôt qu’un processus embrouillé. Maintenez l’état du graphe plat et typé. Les blocs imbriqués masquent le fait que tel nœud a écrit telle champ et perturbent la reprise après interruption.

User Question
                          │
                          ▼
                  ┌──────────────┐
                  │ Research Plan│
                  └──────┬───────┘
                         │
              Break question into tasks
                         │
                         ▼
                  ┌──────────────┐
                  │    Search    │
                  │    (Liner)   │
                  └──────┬───────┘
                         │
                         ▼
                  ┌──────────────┐
                  │   Sources    │
                  │ URLs / Dates │
                  │ Descriptions │
                  └──────┬───────┘
                         │
                         ▼
                  ┌──────────────┐
                  │    Agent     │
                  │   Reasoning  │
                  │   Synthesis  │
                  └──────┬───────┘
                         │
                         ▼
                  ┌──────────────┐
                  │ Cited Report │
                  └──────┬───────┘
                         │
                         ▼
                    Markdown File

Pourquoi la couche de recherche est importante

La phase de la couche de recherche fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un transcript parfait, un cas d’échec et la note de réversion avant d’élargir le périmètre. Considérez cette phase comme un contrat entre les entrées et les sorties validées. Donnez des noms aux artefacts, définez des vérifications de succès et refusez toute complétion partielle silencieuse. Maintenez l’état du graphe plat et typé. Les blocs imbriqués masquent le fait que tel nœud a écrit telle champ et perturbent la reprise après interruption.

Title
URL
Description
Date
Liner
  │
  ├── Find relevant information
  ├── Return search results
  └── Provide source metadata
          │
          ▼
Deep Research Agent
  │
  ├── Plan
  ├── Reason
  ├── Compare sources
  ├── Synthesize
  └── Cite

Recherche vs. Raisonnement

La phase Recherche vs Raisonnement fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un transcript idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre. Enregistrez les temps d’exécution ainsi que le coût en tokens ou en requêtes à côté des résultats fonctionnels. Une visibilité précoce des coûts évite les factures inattendues lorsque le processus passe de la démonstration aux environnements partagés. Fixez un budget en tokens par tour et par session. Les outils agents élargissent lourdement le contexte ; des plafonds stricts empêchent que les démonstrations ne se transforment en factures inattendues. La phase Recherche vs Raisonnement fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un transcript idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre. Documentez ensemble le parcours réussi et le parcours de récupération. Les tentatives répétées, les contrôles humains et la gestion des messages non livrés font partie intégrante du produit, et non d’une mise en forme ultérieure.

User Question
      │
      ▼
Search API
      │
      ▼
Final Answer
User Question
      │
      ▼
Research Agent
      │
      ├── Plan
      │
      ├── Search ───────► Liner
      │                    │
      │                    ▼
      │                 Sources
      │                    │
      ◄────────────────────┘
      │
      ├── Analyze
      ├── Compare
      ├── Synthesize
      └── Cite
             │
             ▼
        Final Report

Le flux de travail de recherche

Pour l’étape du flux de travail de recherche, définissez les entrées, le responsable de l’étape et les critères d’arrêt avant de modifier du code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Préférez des unités petites et testables aux scripts complexes. Lorsqu’une étape échoue, l’échec doit indiquer une seule responsabilité plutôt qu’un processus embrouillé. Faites approuver par un humain les étapes qui entraînent des dépenses ou modifient des données de production. La connexion en temps de compilation ne garantit pas la complétude du processus métier.

Research
   ↓
Plan
   ↓
Search
   ↓
Collect Sources
   ↓
Synthesize
   ↓
Cite
   ↓
Save Report

1. Recherche

Pour la phase de recherche 1, définissez les entrées, le responsable de l’étape et les critères de fin avant de modifier le code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Considérez cette phase comme un contrat entre les entrées et les sorties validées. Donnez des noms aux artefacts, définites des vérifications de succès et refusez les terminaisons partielles silencieuses. Faites approuver par un humain les étapes qui entraînent des dépenses ou modifient des données de production. La connexion en temps de compilation ne correspond pas à une complétude opérationnelle.

Research the current state of open-source
multimodal AI models.

2. Plan

Pour la phase de planification 2, définissez les entrées, le responsable de l’étape et les critères d’arrêt avant de modifier le code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Enregistrez les temps d’exécution ainsi que le coût des tokens ou des requêtes à côté des résultats fonctionnels. Une visibilité précoce des coûts évite les factures inattendues lorsque le processus passe d’un environnement de démonstration à des environnements partagés. Faites approuver par un humain les étapes qui entraînent des dépenses ou modifient des données de production. La connexion en temps de compilation ne garantit pas la complétude du processus métier. Pour la phase de planification 2, définissez les entrées, le responsable de l’étape et les critères d’arrêt avant de modifier le code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Documentez ensemble le parcours idéal et les scénarios de récupération. Les tentatives de réexécution, les contrôles humains et la gestion des messages non livrés font partie intégrante du produit, et non d’améliorations ultérieures.

1. Identify major open-source multimodal models.
2. Compare their capabilities.
3. Check their latest releases.
4. Find benchmark information.
5. Identify their licenses.
6. Compare model sizes and requirements.

3. Recherche

Lors de la phase de recherche, notez d’abord les éléments requis pour le contrat : les données nécessaires, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de rester honnête lors des modifications ultérieures du code. Préférez des unités petites et testables plutôt que des scripts complexes. Lorsqu’une étape échoue, l’erreur doit indiquer une seule responsabilité et non un processus embrouillé. Faites des points de contrôle après les étapes coûteuses. Le système de reprise ne doit pas facturer à nouveau la même appel du LLM lorsque l’opérateur réessaie un nœud ultérieur.

query = "latest open source multimodal AI models"
{
    "title": "Example AI Model",
    "url": "https://example.com/model",
    "description": "Information about the model...",
    "date": "2026-08-20"
}

4. Collecter les sources

Lors de la phase 4 « Collecter les sources », notez d’abord le contrat : les données requises, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de rester honnête lors des modifications ultérieures du code. Considérez cette phase comme un contrat entre les données d’entrée et les résultats validés. Donnez des noms aux artefacts, définez des vérifications de succès et refusez les terminations partielles silencieuses. Faites un point après les étapes coûteuses. Le système de reprise ne doit pas facturer à nouveau la même appel du LLM lorsque l’opérateur réessaie un nœud ultérieur.

Query 1
  ↓
Sources A, B, C
Query 2
  ↓
Sources D, E, F
Query 3
  ↓
Sources G, H, I

5. Synthétiser

Lors de la réalisation de l’étape 5 « Synthétiser », notez d’abord les conditions requises : les entrées nécessaires, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de garantir l’intégrité des modifications ultérieures du code. Enregistrez les temps d’exécution ainsi que le coût en tokens ou en requêtes à côté des résultats fonctionnels. Une visibilité précoce des coûts évite les factures inattendues lorsque le processus passe d’un environnement de démonstration à des environnements partagés. Créez un point de contrôle après chaque étape coûteuse. Le système de reprise ne doit pas facturer à nouveau la même appel d’LLM lorsque l’opérateur réessaie un nœud ultérieur. Lors de la réalisation de l’étape 5 « Synthétiser », notez d’abord les conditions requises : les entrées nécessaires, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de garantir l’intégrité des modifications ultérieures du code. Documentez en même temps le parcours normal et le parcours de récupération. Les tentatives de réessai, les contrôles humains et la gestion des messages non traités font partie intégrante du produit, et non d’améliorations ultérieures.

Source A → claims X
Source B → confirms X
Source C → provides additional context

6. Citer

La phase 6 Cite fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un transcript exemplaire, un cas d’échec et la note de réversion avant d’élargir le périmètre. Préférez des unités petites et testables aux scripts complexes. Lorsqu’une étape échoue, l’échec doit pointer vers une seule responsabilité plutôt que vers un processus embrouillé. Maintenez l’état du graphe plat et typé. Les blocs imbriqués masquent le fait que tel nœud a écrit telle champ et perturbent la reprise après interruption.

## Overview
The project was released in 2026 and focuses on
efficient local inference. [1]
## Performance
According to the project's benchmark results,
the model improves performance compared with
the previous version. [2]
## Sources
[1] https://example.com/project
[2] https://example.com/benchmark

Enregistrer le rapport de recherche

La phase de rédaction du rapport de recherche fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un exemplaire idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre. Considérez cette phase comme un contrat entre les entrées et les sorties validées. Donnez des noms aux artefacts, définez des critères de succès et refusez toute mise en œuvre partielle silencieuse. Maintenez l’état des graphes simple et typé. Les blocs imbriqués masquent le fait que tel nœud a écrit telle champ et perturbent la reprise après interruption.

research_report.md
Question
   ↓
Agent
   ↓
Research
   ↓
Sources
   ↓
Citations
   ↓
Markdown Report

Inspection de l’agent avec l’interface Deep Agents

La phase « Inspecting the Agent With » fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un enregistrement idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre. Enregistrez les temps d’exécution ainsi que le coût des tokens ou des requêtes à côté des résultats fonctionnels. Une visibilité précoce des coûts évite les factures inattendues lorsque le processus passe de l’environnement de démonstration à des environnements partagés. Maintenez l’état du graphique simple et typé. Les blocs imbriqués masquent l’identité du nœud qui a écrit chaque champ et perturbent la reprise après interruption. La phase « Inspecting the Agent With » fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un enregistrement idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre. Documentez ensemble le parcours réussi et le parcours de récupération. Les tentatives répétées, les contrôles humains et le traitement des messages non livrés font partie intégrante du produit, et non d’une mise en forme ultérieure.

Question → Answer
Research Question
      ↓
Research Plan
      ↓
Search Call
      ↓
Retrieved Sources
      ↓
Additional Search
      ↓
Source Analysis
      ↓
Final Synthesis
      ↓
Report

Exigences du projet

Pendant l’étape des exigences du projet, définissez les entrées, le responsable de l’étape et les critères d’achèvement avant de modifier du code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Préférez des unités petites et testables aux scripts complexes. Lorsqu’une étape échoue, l’échec doit indiquer une seule responsabilité plutôt qu’un processus embrouillé. Faites approuver par un humain les actions qui entraînent des dépenses ou modifient des données de production. La connexion en temps de compilation ne garantit pas la complétude du processus métier.

Cloner le répertoire

Pendant l’étape de clonage du répertoire, définissez les entrées, le responsable de l’étape et les critères de fin avant de modifier du code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Considérez cette étape comme un contrat entre les entrées et les sorties validées. Nommez les artefacts, définissez des vérifications de succès et refusez toute exécution partielle silencieuse. Faites approuver par un humain les cas où de l’argent est dépensé ou des données de production sont modifiées. Une connexion en temps de compilation ne garantit pas la complétude du processus métier.

git clone https://github.com/Sumanth077/Hands-On-AI-Engineering.git
cd Hands-On-AI-Engineering/ai_agents/deep_research_assistant

Mise en place du backend

Pendant l’étape de mise en place du backend, définissez les entrées, le responsable de l’étape et les critères d’arrêt avant de modifier le code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Enregistrez les temps d’exécution ainsi que le coût des tokens ou des requêtes à côté des résultats fonctionnels. Une visibilité précoce des coûts évite les factures inattendues lorsque le processus passe d’un environnement de démonstration à des environnements partagés. Imposez une approbation humaine pour les actions qui entraînent des dépenses ou modifient des données de production. La connexion en temps de compilation ne garantit pas la complétude du processus métier. Pendant l’étape de mise en place du backend, définissez les entrées, le responsable de l’étape et les critères d’arrêt avant de modifier le code. Les opérateurs doivent pouvoir relancer l’étape à partir d’un point de contrôle connu sans deviner l’état caché. Documentez conjointement le parcours idéal et les scénarios de récupération. Les tentatives de réexécution, les contrôles humains et la gestion des messages échoués font partie intégrante du produit, et non d’améliorations ultérieures.

cd backend
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
pip install -U "langgraph-cli[inmem]"

Configurer les variables d’environnement

Lors de l’étape de configuration des variables d’environnement, notez d’abord les exigences : les entrées requises, le signal de succès, ainsi que ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de rester honnête lors des modifications ultérieures du code. Préférez des unités petites et testables plutôt que des scripts complexes. Lorsqu’une étape échoue, l’échec doit indiquer une seule responsabilité et non un processus embrouillé. Créez des points de contrôle après les étapes coûteuses. Le système de reprise ne doit pas facturer à nouveau la même appel au LLM lorsque l’opérateur réessaie un nœud ultérieur.

copy .env.example .env
MISTRAL_API_KEY=your_mistral_api_key
LINER_API_KEY=your_liner_api_key

Démarrer le backend

Lors de la phase « Démarrer le backend », notez d’abord le contrat : les entrées requises, le signal de succès, ainsi que ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de garantir l’intégrité des modifications ultérieures du code. Considérez cette phase comme un contrat entre les entrées et les sorties validées. Donnez des noms aux artefacts, définez des vérifications de succès, et refusez les terminations partielles silencieuses. Faites des points de contrôle après les étapes coûteuses. Le système de reprise ne doit pas facturer à nouveau la même appel du LLM lorsque l’opérateur réessaie un nœud ultérieur.

langgraph dev --port 2024
http://localhost:2024

Mettre en place le frontend

Lors de la phase de mise en place du frontend, notez d’abord le contrat : les entrées requises, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de garantir l’intégrité des modifications ultérieures du code. Enregistrez les temps d’exécution ainsi que le coût des tokens ou des requêtes à côté des résultats fonctionnels. Une visibilité précoce des coûts évite les factures inattendues lorsque le processus passe d’un environnement de démonstration à des environnements partagés. Créez un point de contrôle après chaque étape coûteuse. Le système de reprise ne doit pas facturer à nouveau la même appel d’LLM lorsque l’opérateur réessaie un nœud ultérieur. Lors de la phase de mise en place du frontend, notez d’abord le contrat : les entrées requises, le signal de succès et ce qui se passe en cas d’échec partiel. Cette liste de contrôle permet de garantir l’intégrité des modifications ultérieures du code. Documentez conjointement le parcours normal et les scénarios de récupération. Les tentatives de réessai, les contrôles humains et la gestion des messages non traités font partie intégrante du produit, et non d’améliorations apportées ultérieurement.

cd ../frontend
yarn install
yarn dev
http://localhost:3000

Connecter l’interface utilisateur à l’agent

La méthode « Connecter l’interface utilisateur à la phase de test » fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un exemple parfait, un cas d’échec et des notes de réversion avant d’élargir le périmètre. Préférez des unités petites et testables plutôt que des scripts complexes. Lorsqu’une étape échoue, l’erreur doit indiquer une seule responsabilité et non un processus embrouillé. Maintenez l’état du graphe simple et typé. Les blocs imbriqués masquent le fait que tel nœud a écrit telle champ et perturbent la reprise après interruption.

http://localhost:3000
http://localhost:2024
agent

Que se passe-t-il lorsque vous posez une question ?

La phase « What Happens When You stage » fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un enregistrement idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre.

What are the most promising open-source AI
coding agents available today?
User Question
      │
      ▼
Understand the problem
      │
      ▼
Create research plan
      │
      ├── Find major projects
      ├── Check current releases
      ├── Compare capabilities
      └── Find primary sources
      │
      ▼
Search with Liner
      │
      ▼
Collect results
      │
      ▼
Evaluate evidence
      │
      ▼
Search again if necessary
      │
      ▼
Synthesize findings
      │
      ▼
Add citations
      │
      ▼
Save Markdown report

Pensées finales

La phase « Final Thoughts » fonctionne le mieux lorsqu’elle est considérée comme une surface mesurable. Capturez un enregistrement idéal, un cas d’échec et la note de réversion avant d’élargir le périmètre.

Plan
 ↓
Search
 ↓
Collect evidence
 ↓
Reason
 ↓
Synthesize
 ↓
Cite
 ↓
Save

Liste de contrôle opérationnelle