使用 LangChain Deep Agents 构建深度研究智能体
基于 LangChain Deep Agents 与 Liner 搜索的深度研究代理:为何搜索层如此重要、搜索与推理的区别,以及大语言模型如何规划其研究流程。
来源: Building a Deep Research Agent with LangChain Deep Agents and Liner
以下笔记梳理了使用 LangChain Deep Agents 和 Liner 构建深度研究智能体的实用路径。重点在于契约、校验机制以及可直接插入的代码占位符,而非激励性描述。 在完成概览阶段时,首先明确契约内容:所需输入、成功标志以及部分失败时的处理方式。这样的清单能确保后续代码修改的透明度。 同时记录正常流程与异常恢复路径。重试机制、人工审核环节以及错误处理都属于产品功能的一部分,而非后续的优化工作。
我们正在构建什么
“我们正在构建什么”这一阶段若被视为可度量的对象,效果会更好。在扩大范围之前,先记录一份优秀的实现案例、一个失败案例以及回滚说明。 优先选择小型且可测试的单元,而非庞大的脚本。当某个步骤失败时,故障应能指向单一责任点,而非复杂的流程链。 保持图表状态简洁且具有类型定义。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在流程中断后导致无法继续执行。
User Question
│
▼
┌──────────────┐
│ Research Plan│
└──────┬───────┘
│
Break question into tasks
│
▼
┌──────────────┐
│ Search │
│ (Liner) │
└──────┬───────┘
│
▼
┌──────────────┐
│ Sources │
│ URLs / Dates │
│ Descriptions │
└──────┬───────┘
│
▼
┌──────────────┐
│ Agent │
│ Reasoning │
│ Synthesis │
└──────┬───────┘
│
▼
┌──────────────┐
│ Cited Report │
└──────┬───────┘
│
▼
Markdown File
为何搜索层如此重要
将搜索层阶段视为可度量的界面时,其效果最佳。在扩大范围之前,先记录一份理想的处理结果、一个失败案例以及回滚说明。 把这一阶段视为输入与已验证输出之间的契约。为相关成果命名,明确成功标准,绝不允许出现无声的、不完整的处理结果。 保持图结构的状态简洁且类型明确。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在处理中断后导致无法继续。
Title
URL
Description
Date
Liner
│
├── Find relevant information
├── Return search results
└── Provide source metadata
│
▼
Deep Research Agent
│
├── Plan
├── Reason
├── Compare sources
├── Synthesize
└── Cite
搜索与推理
将“搜索与推理”阶段视为可度量的对象时,其效果最佳。在扩大范围之前,需记录一份理想的操作日志、一个失败案例以及回滚说明。 在功能结果旁同时记录处理时间以及令牌或查询成本。提前了解成本情况,可避免在系统从演示环境过渡到共享环境时出现意外账单。 为每轮对话和每次会话设定令牌预算。智能工具往往会大量消耗上下文资源,设置上限能防止演示环境变成令人意外的费用来源。 将“搜索与推理”阶段视为可度量的对象时,其效果最佳。在扩大范围之前,需记录一份理想的操作日志、一个失败案例以及回滚说明。 需同时记录正常流程与故障恢复流程。重试机制、人工审核环节以及错误处理方式都是产品的一部分,而非后续需要补充的内容。
User Question
│
▼
Search API
│
▼
Final Answer
User Question
│
▼
Research Agent
│
├── Plan
│
├── Search ───────► Liner
│ │
│ ▼
│ Sources
│ │
◄────────────────────┘
│
├── Analyze
├── Compare
├── Synthesize
└── Cite
│
▼
Final Report
研究工作流程
在“研究工作流程”阶段,应在修改代码之前明确输入内容、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 优先选择小型、可测试的单元,而非庞大的脚本。当某个步骤失败时,故障应指向单一责任点,而非复杂的流程链。 对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的连接方式并不等同于业务功能的完整性。
Research
↓
Plan
↓
Search
↓
Collect Sources
↓
Synthesize
↓
Cite
↓
Save Report
1. 研究
在1号研究阶段,应在修改代码之前明确输入参数、该步骤的负责人以及终止标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 将此阶段视为输入与经过验证的输出之间的契约。为相关成果命名,定义成功判定标准,并拒绝默许的半完成状态。 对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的连接方式并不等同于业务上的完整性。
Research the current state of open-source
multimodal AI models.
2. 规划
在2计划阶段,应在修改代码之前明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 在功能结果旁记录执行时间以及令牌或查询成本。提前显示成本可避免在流程从演示环境转向共享环境时出现意外账单。 对于会产生费用或修改生产数据的操作,必须经过人工审批。编译时的配置并不等同于业务功能的完整性。 在2计划阶段,应在修改代码之前明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 需同时记录正常流程和故障恢复流程。重试机制、人工审核环节以及错误处理都是产品的一部分,而非后续需要补充的内容。
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. 搜索
在处理三个搜索阶段时,首先写下相关契约:所需的输入参数、成功信号以及部分失败时的处理方式。这样的检查清单能确保后续的代码修改保持一致性。 优先选择小型且可测试的单元,而非庞大的脚本。当某个步骤失败时,故障应指向单一的责任模块,而非复杂的流程链。 在成本较高的步骤之后设置检查点。当操作员重新尝试后续节点时,恢复流程不应再次调用相同的大型语言模型。
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. 收集来源
在完成“收集数据源”这四个阶段时,首先需写下相关契约:所需的输入参数、成功标志,以及部分失败时的处理方式。这样的检查清单能确保后续的代码修改始终符合约定。 将这一阶段视为输入与经过验证的输出之间的契约。为相关成果命名,明确成功判定标准,杜绝默许部分完成的情况。 在成本较高的步骤之后设置检查点。当操作员重新尝试后续节点时,恢复流程不应再次调用相同的大型语言模型。
Query 1
↓
Sources A, B, C
Query 2
↓
Sources D, E, F
Query 3
↓
Sources G, H, I
5. 综合处理
在完成5个“合成”阶段时,首先需写明相关规范:所需输入、成功信号以及部分失败时的处理方式。这样的清单能确保后续的代码修改保持一致性。 在功能结果旁记录执行时间以及令牌或查询成本。提前明确成本有助于避免从演示环境过渡到共享环境时出现意外费用。 在耗时较高的步骤之后设置检查点。当操作员重新尝试后续节点时,恢复流程不应再次收取相同的LLM调用费用。 在完成5个“合成”阶段时,首先需写明相关规范:所需输入、成功信号以及部分失败时的处理方式。这样的清单能确保后续的代码修改保持一致性。 需同时记录正常流程与异常恢复流程。重试机制、人工审核环节以及死信处理都是产品功能的一部分,而非后续需要补充的内容。
Source A → claims X
Source B → confirms X
Source C → provides additional context
6. 引用
将“6个引用阶段”视为可度量的指标时效果最佳。在扩大范围之前,先记录一份优秀的案例、一个失败案例以及回滚说明。 优先选择小型且可测试的单元,而非庞大的脚本。当某个步骤失败时,故障应指向单一责任主体,而非复杂的流程链。 保持图表状态简洁且具有类型定义。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在中断后导致无法继续处理。
## 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
保存研究报告
将“保存研究报告”阶段视为可度量的工作面,效果最佳。在扩大范围之前,先记录一份优秀的成果文本、一个失败案例以及回滚说明。 把这一阶段视为输入与已验证输出之间的契约。为相关成果命名,明确成功标准,绝不允许默默地只完成部分工作。 保持图表状态简洁且类型明确。嵌套的数据块会掩盖哪个节点修改了哪个字段,还会在中断后导致无法继续处理。
research_report.md
Question
↓
Agent
↓
Research
↓
Sources
↓
Citations
↓
Markdown Report
使用 Deep Agents UI 检查智能体
将“检查代理”阶段视为可度量的对象时,其效果最佳。在扩大范围之前,先记录一份理想的操作日志、一个故障案例以及回滚说明。 在功能结果旁同时记录执行时间以及令牌或查询成本。提前了解成本情况,可避免在从演示环境过渡到共享环境时出现意外费用。 保持图表状态简洁且类型明确。嵌套的数据块会掩盖哪个节点修改了哪个字段的信息,还会在中断后导致流程无法继续。 将“检查代理”阶段视为可度量的对象时,其效果最佳。在扩大范围之前,先记录一份理想的操作日志、一个故障案例以及回滚说明。 需同时记录正常流程与恢复流程。重试机制、人工审核环节以及死信处理都是产品本身的组成部分,而非后续需要补充的功能。
Question → Answer
Research Question
↓
Research Plan
↓
Search Call
↓
Retrieved Sources
↓
Additional Search
↓
Source Analysis
↓
Final Synthesis
↓
Report
项目需求
在项目需求阶段,应在修改代码之前明确输入内容、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。相比冗长的脚本,更应采用小型且可测试的单元。当某个步骤失败时,故障原因应能指向单一责任方,而非复杂的流程链。对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的配置并不等同于业务功能的完整性。
克隆仓库
在“克隆仓库”阶段,应在修改代码之前明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。 将此阶段视为输入与经过验证的输出之间的契约。为相关成果命名,定义成功检测标准,并拒绝默许的半完成状态。 对于涉及资金支出或修改生产数据的操作,必须经过人工审批。编译时的配置并不等同于业务上的完整性。
git clone https://github.com/Sumanth077/Hands-On-AI-Engineering.git
cd Hands-On-AI-Engineering/ai_agents/deep_research_assistant
设置后端
在“设置后端”阶段,应在修改代码之前明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。除了功能结果外,还需记录执行时间以及令牌或查询成本。提前了解成本情况,可避免在从演示环境过渡到共享环境时出现意外账单。对于会耗费资金或修改生产数据的操作,必须经过人工审批。编译时的配置并不等同于业务功能的完整性。在“设置后端”阶段,应在修改代码之前明确输入参数、该步骤的负责人以及结束标准。操作人员应能够从已知的检查点重新运行该步骤,而无需猜测隐藏状态。需同时记录正常流程和异常恢复流程。重试机制、人工审核环节以及错误处理措施都是产品不可或缺的部分,而非后续需要补充的内容。
cd backend
python -m venv .venv
.venv\Scripts\activate
pip install -r requirements.txt
pip install -U "langgraph-cli[inmem]"
配置环境变量
在配置环境变量的阶段,首先列出相关要求:必需的输入参数、成功标志以及部分失败时的处理方式。这样的清单能确保后续的代码修改保持一致性。 建议使用小型、可测试的单元而非庞大的脚本。当某个步骤失败时,故障应指向单一的责任模块,而非复杂的流程链。 在成本较高的步骤之后设置检查点。当操作员重新尝试后续节点时,恢复流程不应再次调用相同的大型语言模型。
copy .env.example .env
MISTRAL_API_KEY=your_mistral_api_key
LINER_API_KEY=your_liner_api_key
启动后端服务
在完成“启动后端”阶段时,首先需写下相关契约:所需的输入参数、成功信号以及部分失败时的处理方式。这样的检查清单能确保后续的代码修改保持一致性。 将此阶段视为输入与验证后输出之间的契约。为相关文件命名,明确成功判定标准,并杜绝无声的半完成状态。 在耗时较高的步骤之后设置检查点。当操作员重新尝试后续节点时,恢复流程不应再次调用相同的大型语言模型。
langgraph dev --port 2024
http://localhost:2024
设置前端
在完成“设置前端”阶段时,首先需明确相关规范:所需输入、成功信号以及部分失败时的处理方式。这份清单能确保后续的代码修改保持一致性。 在功能结果旁记录执行时间以及令牌或查询成本。提前了解成本情况,可避免在从演示环境过渡到共享环境时出现意外费用。 在耗时的步骤之后设置检查点。当操作员重新尝试后续节点时,恢复流程不应再次收取相同的LLM调用费用。 在完成“设置前端”阶段时,首先需明确相关规范:所需输入、成功信号以及部分失败时的处理方式。这份清单能确保后续的代码修改保持一致性。 需同时记录正常流程和异常恢复流程。重试机制、人工审核环节以及死信处理都是产品功能的一部分,而非后续需要补充的内容。
cd ../frontend
yarn install
yarn dev
http://localhost:3000
将用户界面与代理连接起来
将用户界面与特定阶段连接的操作,若被视为可度量的对象则会更易管理。在扩大范围之前,先记录一份理想的操作示例、一个故障案例以及回滚说明。 建议使用小型且可测试的单元,而非庞大的脚本。当某一步骤出现故障时,故障应能指向单一责任模块,而非复杂的流程链。 保持图表状态简洁且具有类型定义。嵌套的数据结构会掩盖哪个节点负责编写了哪个字段,还会在流程中断后导致无法继续执行。
http://localhost:3000
http://localhost:2024
agent
提出问题时会发生什么?
“当你执行某项操作时会发生什么”这一阶段若被视为可度量的对象,效果会更好。在扩大范围之前,需记录一份最佳案例、一个失败案例以及回滚说明。
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
总结
“总结”阶段若被视为可度量的对象,效果会更好。在扩大范围之前,需记录一份最佳案例、一个失败案例以及回滚说明。
Plan
↓
Search
↓
Collect evidence
↓
Reason
↓
Synthesize
↓
Cite
↓
Save