Главная / Статьи

создание глубокого исследовательского агента с помощью LangChain Deep Agents и

Глубокий агент для исследований с LangChain Deep Agents и поиском Liner: почему важен слой поиска, разница между поиском и рассуждениями, и как большая языковая модель планирует свои исследования.

Издатель: REACTAPP.TOP12 мин чтения2724 слов

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

В следующих заметках описывается практический подход к созданию глубокого исследовательского агента с использованием LangChain Deep Agents и Liner. Основное внимание уделяется контрактам, проверкам и местам для вставки кода, а не мотивирующим формулировкам. На этапе обзора сначала запишите контракт: необходимые входные данные, сигнал успешного выполнения и действия при частичной неудаче. Такой список поможет сохранять честность при последующих изменениях кода. Документируйте как успешный, так и восстановительный пути работы. Повторные попытки, проверки человеком и обработка неработоспособных сообщений являются частью продукта, а не элементами последующей доработки.

Что мы создаем

Этап «Что мы создаём» работает наилучшим образом, если рассматривать его как измеримую поверхность. Соберите один идеальный пример результата, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работ. Предпочитайте небольшие, тестируемые единицы кода вместо обширных скриптов. Когда какой-то шаг сбивается, причина сбоя должна указывать на конкретную ответственность, а не на запутанную цепочку операций. Сохраняйте структуру графа простой и типизированной. Вложенные структуры данных скрывают информацию о том, какой узел заполнил тот или иной поле, и мешают возобновлению работы после прерываний.

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

Почему важен слой поиска

Этап «Причины», связанные с слоем поиска, работает наилучшим образом, когда его рассматривают как измеримую поверхность. Соберите один идеальный пример работы, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работ. Рассматривайте этот этап как контракт между входными данными и проверенными выходными результатами. Дайте названия создаваемым объектам, определите критерии успеха и не соглашайтесь на молчаливое частичное выполнение задачи. Сохраняйте структуру графа простой и типизированной. Вложенные структуры данных скрывают информацию о том, какой узел заполнил тот или иной поле, что приводит к нарушению возобновления работы после перерывов.

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

Поиск против рассуждений

Этап поиска и рассуждений работает наилучшим образом, когда его рассматривают как измеримую поверхность. Соберите один идеальный пример работы, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работ. Записывайте время выполнения и стоимость токенов или запросов рядом с функциональными результатами. Отображение стоимости на раннем этапе предотвращает неожиданные счёты при переходе от демо-версии к общедоступным средам. Установите лимиты на количество токенов за один ход и за сессию. Инструменты агентов активно расширяют контекст; жёсткие ограничения не позволяют демо-версиям превращаться в неожиданные счёты. Этап поиска и рассуждений работает наилучшим образом, когда его рассматривают как измеримую поверхность. Соберите один идеальный пример работы, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работ. Документируйте одновременно успешный путь выполнения и путь восстановления. Повторные попытки, проверки человеком и обработка неработающих сообщений являются частью продукта, а не элементами последующей доработки.

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

Рабочий процесс исследования

На этапе рабочего процесса исследований необходимо заранее определить входные данные, ответственного за выполнение шага и критерии завершения перед внесением изменений в код. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не пытаясь угадать скрытое состояние. Лучше использовать небольшие, тестируемые единицы кода вместо обширных скриптов. При сбое шага он должен указывать на конкретную причину, а не на сложную структуру всего процесса. Внедрять утверждение человека там, где происходит расход средств или изменение данных в продакшене. Простая связь на этапе компиляции не гарантирует полноты решения бизнес-задач.

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

1. Исследования

На этапе исследований 1 необходимо определить входные данные, ответственного за выполнение шага и критерии завершения перед изменением кода. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не догадываясь о скрытом состоянии. Рассматривайте этот этап как контракт между входными данными и проверенными выходными результатами. Дайте названия результатам работы, определите критерии успеха и не допускайте молчаливого частичного завершения задачи. Внедрите утверждение человека для операций, связанных с расходами или изменением производственных данных. Настройка на этапе компиляции не эквивалентна полноте выполнения бизнес-задач.

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

2. Планирование

На этапе планирования 2 необходимо определить входные данные, ответственного за выполнение шага и критерии завершения перед изменением кода. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не догадываясь о скрытом состоянии. Записывайте время выполнения и стоимость токенов или запросов рядом с функциональными результатами. Отображение стоимости заранее предотвращает неожиданные счета при переходе от демо-среды к общедоступным средам. Внедряйте человеческое утверждение для операций, связанных с тратой денег или изменением производственных данных. Подключение на этапе компиляции не гарантирует полноты решения для бизнеса. На этапе планирования 2 необходимо определить входные данные, ответственного за выполнение шага и критерии завершения перед изменением кода. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не догадываясь о скрытом состоянии. Документируйте одновременно «идеальный» путь выполнения и путь восстановления. Повторные попытки, человеческое утверждение и обработка некорректных сообщений являются частью продукта, а не элементами последующей доработки.

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. Поиск

При работе над третьим этапом поиска сначала запишите условия контракта: необходимые входные данные, сигнал успешного выполнения и действия при частичной неудаче. Такой чек-лист поможет сохранять честность при последующих изменениях кода. Предпочитайте небольшие, тестируемые модули большим скриптам. Если какой-то шаг не сработает, причина неудачи должна указывать на конкретную ответственность, а не на запутанную цепочку операций. Вносите контрольные точки после дорогостоящих шагов. Механизм возобновления работы не должен повторно взимать плату за один и тот же вызов большой языковой модели, когда оператор пытается выполнить следующий элемент цепочки.

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. Сбор источников

При работе над этапом «Сбор источников» сначала запишите условия контракта: необходимые входные данные, сигнал о успешном выполнении и действия при частичной неудаче. Такой чек-лист поможет сохранять честность при последующих изменениях кода. Рассматривайте этот этап как контракт между входными данными и проверенными выходными результатами. Укажите названия элементов, определите критерии успеха и не допускайте молчаливого частичного выполнения задачи. Выполняйте контрольные точки после дорогостоящих операций. Система возобновления работы не должна снова взимать плату за один и тот же вызов большой языковой модели, когда оператор пытается выполнить следующий этап.

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

5. Синтез

При работе над этапом «Синтезировать» №5 сначала запишите условия работы: необходимые входные данные, сигнал о успешном выполнении и действия при частичной неудаче. Такой список помогает сохранять честность при последующих изменениях кода. Рядом с функциональными результатами записывайте время выполнения и стоимость токенов или запросов. Отображение затрат с самого начала предотвращает неожиданные счета при переходе от демо-среды к общедоступным средам. Выполняйте контрольные точки после дорогостоящих шагов. Функция возобновления работы не должна снова взимать плату за один и тот же вызов большой языковой модели, если оператор пытается выполнить последующий узел заново. При работе над этапом «Синтезировать» №5 сначала запишите условия работы: необходимые входные данные, сигнал о успешном выполнении и действия при частичной неудаче. Такой список помогает сохранять честность при последующих изменениях кода. Документируйте одновременно успешный сценарий работы и сценарий восстановления. Повторные попытки, проверки человеком и обработка неработоспособных сообщений являются частью продукта, а не элементами последующей доработки.

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

6. Цитирование

Этап 6 «Цитирование» работает наилучшим образом, если рассматривать его как измеримую поверхность. Соберите один идеальный пример, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работы. Предпочитайте небольшие, тестируемые единицы вместо обширных скриптов. Когда какой-то шаг сбивается, причина сбоя должна указывать на конкретную ответственность, а не на запутанную цепочку операций. Сохраняйте структуру графа простой и типизированной. Вложенные структуры скрывают информацию о том, какой узел заполнил тот или иной поле, и мешают возобновлению работы после прерываний.

## 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

Сохранение отчёта о исследовании

Этап составления отчета о исследованиях работает наилучшим образом, если рассматривать его как измеримую структуру. Зафиксируйте один идеальный пример выполнения, один случай сбоя и запись о возврате к предыдущему состоянию перед расширением объема работ. Рассматривайте этот этап как контракт между входными данными и проверенными результатами. Дайте названия создаваемым элементам, определите критерии успеха и не соглашайтесь на молчаливое частичное выполнение задачи. Сохраняйте структуру графа простой и типизированной. Вложенные структуры скрывают информацию о том, какой узел заполнил тот или иной поле, что приводит к нарушению последовательности действий после перерывов.

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

Проверка агента с помощью интерфейса Deep Agents

Этап «Проверка агента» работает наилучшим образом, когда его рассматривают как измеримую поверхность. Соберите один идеальный пример работы, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работ. Записывайте временные показатели, а также стоимость токенов или запросов рядом с функциональными результатами. Отображение стоимости на раннем этапе предотвращает неожиданные счёты при переходе от демо-среды к общедоступным средам. Сохраняйте структуру графа простой и типизированной. Вложенные структуры скрывают информацию о том, какой узел заполнил тот или иной поле, и могут нарушить возобновление работы после прерываний. Этап «Проверка агента» работает наилучшим образом, когда его рассматривают как измеримую поверхность. Соберите один идеальный пример работы, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объёма работ. Документируйте одновременно успешный путь выполнения и путь восстановления. Повторные попытки, проверки человеком и обработка неработающих сообщений являются частью продукта, а не элементами последующей доработки.

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

Требования к проекту

На этапе определения требований проекта необходимо заранее описать входные данные, ответственного за выполнение шага и критерии завершения перед внесением изменений в код. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не пытаясь угадать скрытое состояние системы. Лучше использовать небольшие, тестируемые модули вместо обширных скриптов. При сбое шага причина должна быть связана с конкретной областью ответственности, а не с запутанной структурой обработки данных. Внедрять утверждение человека там, где происходит расход средств или изменение данных в продакшене. Простая настройка во время компиляции не гарантирует полноты реализации бизнес-логики.

Клонирование репозитория

На этапе клона репозитория необходимо заранее определить входные данные, ответственного за выполнение шага и критерии завершения перед внесением изменений в код. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не догадываясь о скрытом состоянии системы. Рассматривайте этот этап как контракт между входными данными и проверенными результатами. Укажите названия создаваемых файлов, определите критерии успеха и не допускайте молчаливого частичного завершения задачи. Внедряйте проверку человеком для операций, связанных с расходами или изменением производственных данных. Простая настройка во время компиляции не гарантирует полноты выполнения бизнес-задач.

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

Настройка бэкенда

На этапе настройки бэкенда необходимо определить входные данные, ответственного за выполнение шага и критерии завершения перед внесением изменений в код. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не догадываясь о скрытом состоянии. Записывайте время выполнения и стоимость токенов или запросов рядом с функциональными результатами. Отображение стоимости заранее предотвращает неожиданные счета при переходе с демо-среды в общедоступные среды. Внедряйте человеческое утверждение для операций, связанных с тратой денег или изменением производственных данных. Подключение компонентов во время компиляции не гарантирует полноты функционала продукта. На этапе настройки бэкенда необходимо определить входные данные, ответственного за выполнение шага и критерии завершения перед внесением изменений в код. Операторы должны иметь возможность перезапустить шаг с известной точки контроля, не догадываясь о скрытом состоянии. Документируйте одновременно успешный и восстановительный сценарии работы. Повторные попытки, человеческое утверждение и обработка некорректных сообщений являются частью продукта, а не элементами последующей доработки.

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

Настройка переменных среды

Во время этапа настройки переменных среды сначала запишите условия работы: необходимые входные данные, сигнал успешного выполнения и последствия частичной неудачи. Такой список поможет сохранять честность при последующих изменениях кода. Лучше использовать небольшие, тестируемые модули вместо обширных скриптов. При сбое какого-либо шага причина неудачи должна указывать на конкретную ответственность, а не на запутанную цепочку операций. Выполняйте проверки после дорогостоящих шагов. Функция возобновления работы не должна повторно запрашивать один и тот же вызов большой языковой модели, когда оператор пытается выполнить следующий элемент.

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

Запуск бэкенда

При работе над этапом «Запуск бэкенда» сначала запишите контракт: необходимые входные данные, сигнал о успешном выполнении и действия при частичной неудаче. Такой чек-лист поможет сохранять честность при последующих изменениях кода. Рассматривайте этот этап как контракт между входными данными и проверенными выходными результатами. Дайте названия создаваемым элементам, определите критерии успешности и не допускайте молчаливого частичного выполнения задачи. Выполняйте контрольные точки после дорогостоящих операций. Система возобновления работы не должна снова взимать плату за один и тот же вызов большой языковой модели, когда оператор пытается выполнить следующий этап.

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

Настройка фронтенда

При работе над этапом настройки фронтенда сначала запишите условия работы: необходимые входные данные, сигнал о успешном выполнении и действия при частичной неудаче. Такой список поможет сохранять честность при последующих изменениях кода. Запишите также время выполнения и стоимость токенов или запросов рядом с результатами работы. Очевидность затрат с самого начала предотвращает неожиданные счета при переходе от демо-среды к общедоступным средам. Выполняйте контрольные точки после дорогостоящих операций. Система возобновления работы не должна снова взимать плату за один и тот же вызов большой языковой модели при повторной попытке обработки последующего элемента. При работе над этапом настройки фронтенда сначала запишите условия работы: необходимые входные данные, сигнал о успешном выполнении и действия при частичной неудаче. Такой список поможет сохранять честность при последующих изменениях кода. Документируйте одновременно успешный и восстановительный сценарии работы. Повторные попытки, проверки человеком и обработка неработоспособных сообщений являются частью продукта, а не элементами последующей доработки.

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

Подключение интерфейса к агенту

Процесс подключения интерфейса к агенту работает наилучшим образом, если рассматривать его как измеримую структуру. Сначала соберите один идеальный пример работы, один случай сбоя и записку о возврате к предыдущему состоянию, прежде чем расширять объём работ. Лучше использовать небольшие, тестируемые единицы кода вместо обширных скриптов. При сбое какого-либо шага причина должна быть связана с конкретной функцией, а не с запутанной цепочкой операций. Сохраняйте структуру графа простой и типизированной. Вложенные структуры данных маскируют информацию о том, какой узел заполнил тот или иной поле, и могут нарушить возобновление работы после прерываний.

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

Что происходит, когда вы задаёте вопрос?

Этап «Что происходит, когда вы выполняете задачу» работает наилучшим образом, если рассматривать его как измеримую поверхность. Соберите один идеальный пример выполнения, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объема работ. Рассматривайте этот этап как контракт между входными данными и проверенными результатами. Дайте названия создаваемым элементам, определите критерии успешного выполнения и не соглашайтесь на молчаливое частичное завершение работы. Сохраняйте структуру графа простой и типизированной. Вложенные структуры скрывают информацию о том, какой узел заполнил тот или иной поле, и мешают возобновлению работы после прерываний.

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

Заключительные замечания

Этап «Заключительные замечания» работает наилучшим образом, если рассматривать его как измеримую поверхность. Соберите один идеальный пример выполнения, один случай сбоя и записку о возврате к предыдущему состоянию перед расширением объема работ.

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

Чек-лист операций