企业官网建设流程全解析

番禺商城网站建设,久久建筑网如何下载资源,东莞网站开发推荐,工程承包公司文章详细解析了Open Deep Research项目的多Agent架构设计#xff0c;采用三级分层嵌套结构#xff1a;主图(线性管道)负责整体流程编排#xff0c;监督者子图(循环结构)负责任务分解与委派#xff0c;研究者子图(带条件分支循环结构)负责具体执行。通过决策与执行分离机制及…文章详细解析了Open Deep Research项目的多Agent架构设计采用三级分层嵌套结构主图(线性管道)负责整体流程编排监督者子图(循环结构)负责任务分解与委派研究者子图(带条件分支循环结构)负责具体执行。通过决策与执行分离机制及LangGraph的子图复用和异步并行执行实现了高效的多Agent协作为构建复杂多Agent系统提供了实用参考范例。关注我~第一时间学习如何更好地搭建AI Agent。重要的不是我们是否会被AI替代而是我们要比被替代的人更懂AI。在多Agent系统中如何设计Agent之间的协作机制、如何实现任务的分解与委派、如何管理不同Agent的状态这些都是多Agent架构设计中的核心问题。其实看了Open Deep Research的源代码可以发现从当前比较主流的Agent定义出发这个项目主要涉及两个Agent通过子图实现一个负责研究活动的监督、组织一个负责具体实施研究活动。下面我们来深入理解下Open Deep Research的架构设计思路与实现方式。Open Deep Research的三级分层嵌套结构概览从整体上来看Open Deep Research采用了三级分层嵌套的图结构来实现多Agent协作每一层都有明确的职责分工。先上一个图给大家感受一下大图太大有点糊后面会有分开的清晰版•第一层主图deep\_researcher负责整个研究流程的协调与管理。主图包含四个核心阶段用户澄清clarify_with_user用于确认研究需求、研究计划write_research_brief用于将用户输入转换为详细的研究简报、研究执行research_supervisor通过调用监督者子图来执行实际研究、最终报告生成final_report_generation用于综合所有研究结果生成最终报告。•第二层监督者子图supervisor\_subgraph作为主图的一个节点负责研究任务的分解与委派。监督者分析研究简报通过ConductResearch工具将复杂研究任务分解为多个独立的子任务并可以并行委派给多个研究者子图实例。监督者还使用ResearchComplete工具判断研究是否完成使用think_tool进行战略规划确保研究方向的正确性和完整性。•第三层研究者子图researcher\_subgraph在监督者子图内部被动态调用负责执行具体的研究任务。每个研究者子图接收一个特定的研究主题使用搜索工具tavily_search、web_search、MCP工具等进行信息收集使用think_tool进行战略规划最后通过compress_research节点压缩研究结果并返回给监督者。这种分层嵌套的设计实现了职责分离和并行执行主图负责流程编排监督者负责任务分解研究者负责具体执行。多个研究者子图可以并行工作提高研究效率。下面我们通过学习源代码来理解这个三级分层嵌套结构的实现方式第一层主图结构分析Open Deep Research的主图采用线性管道结构节点按顺序执行比较简单结合源代码deep_researcher.py Lines 701-719来看下deep_researcher_builder StateGraph( AgentState, inputAgentInputState, config_schemaConfiguration)# Add main workflow nodes for the complete research processdeep_researcher_builder.add_node(clarify_with_user, clarify_with_user) # User clarification phasedeep_researcher_builder.add_node(write_research_brief, write_research_brief) # Research planning phasedeep_researcher_builder.add_node(research_supervisor, supervisor_subgraph) # Research execution phasedeep_researcher_builder.add_node(final_report_generation, final_report_generation) # Report generation phase# Define main workflow edges for sequential executiondeep_researcher_builder.add_edge(START, clarify_with_user) # Entry pointdeep_researcher_builder.add_edge(research_supervisor, final_report_generation) # Research to reportdeep_researcher_builder.add_edge(final_report_generation, END) # Final exit point# Compile the complete deep researcher workflowdeep_researcher deep_researcher_builder.compile()从上述代码可以看出主图中设置了4个节点分别是•节点1clarify_with_user- 用来澄清用户真实意图的普通节点•节点2write_research_brief- 生成研究计划、简报的普通节点•节点3research_supervisor-监督者子图负责执行具体的研究工作•节点4final_report_generation- 生成最终报告的普通节点。从节点间的连接方式来看主图内部采用了线性管道的布局模式即节点按固定顺序依次执行•START→clarify_with_user•clarify_with_user→write_research_brief通过Command连接•write_research_brief→research_supervisor通过Command连接•research_supervisor→final_report_generation•final_report_generation→END这里有个小点主图流程中虽然clarify_with_user和write_research_brief节点在运行顺序上是线性的但它们没有通过Edge来连接而是使用了Command的这是因为这两个节点都需要在跳转时同时更新state所以用Command来实现是最好的。因为本期重点是在多层架构的设计思路上state的具体设计与管理、更新机制这个内容得单独做一期所以这里就先不展开了。回到主题主图的这种线性管道布局非常适配按固定顺序执行的业务流程比如我们这里的研究流程从总体来说是比较线性的大致分为“澄清 → 规划 → 研究 → 报告”四个过程。其中由于“研究”从行为方式上来说肯定是最复杂的因此可以把“研究”相关的逻辑单独做成一个子图让主图来调用这个子图子图负责具体执行研究活动向主图输出研究成果即可。第二层监督者子图结构分析监督者子图采用了循环结构形成迭代式决策循环首先结合源代码deep_researcher.py Lines 351-363先来看下监督者子图的整体架构# Supervisor Subgraph Construction# Creates the supervisor workflow that manages research delegation and coordinationsupervisor_builder StateGraph(SupervisorState, config_schemaConfiguration)# Add supervisor nodes for research managementsupervisor_builder.add_node(supervisor, supervisor) # Main supervisor logicsupervisor_builder.add_node(supervisor_tools, supervisor_tools) # Tool execution handler# Define supervisor workflow edgessupervisor_builder.add_edge(START, supervisor) # Entry point to supervisor# Compile supervisor subgraph for use in main workflowsupervisor_subgraph supervisor_builder.compile()从上述代码可以看出监督者子图中设置了2个节点分别是•节点1supervisor- 监督者决策节点负责分析研究简报决定委派哪些任务•节点2supervisor_tools- 工具执行节点负责执行监督者调用的工具包括调用研究者子图从节点连接方式来看子图的入口START直接连接了supervisor而后续又通过Command在两个节点间形成循环。下面我们结合节点函数的源代码来分析。supervisor节点决策阶段注意因为本期不分析项目的state相关的数据流情况故省略非相关代码。async def supervisor(state: SupervisorState, config: RunnableConfig) - Command[Literal[supervisor_tools]]: ...... # Available tools: research delegation, completion signaling, and strategic thinking lead_researcher_tools [ConductResearch, ResearchComplete, think_tool] # Configure model with tools, retry logic, and model settings research_model ( configurable_model .bind_tools(lead_researcher_tools) ......首先Open Deep Research为supervisor中的模型绑定了ConductResearch,ResearchComplete,think_tool三个工具。# Step 2: Generate supervisor response based on current context supervisor_messages state.get(supervisor_messages, []) response await research_model.ainvoke(supervisor_messages)然后supervisor从state中获取到前序的write_research_brief节点生supervisor_messages传递给模型。由于模型绑定了Tools所以会决定调用哪些工具生成包含 tool_calls 的 AIMessage。这里有一个非常关键的点由于bind\_tools()只是告诉模型有哪些工具可以使用让模型可以在响应中生成工具调用请求所以这里await research\_model.ainvoke(supervisor\_messages)不会实际执行工具而只会生成tool\_calls。# Step 3: Update state and proceed to tool execution return Command( gotosupervisor_tools, update{ supervisor_messages: [response], research_iterations: state.get(research_iterations, 0) 1 } )最后通过Command跳转并将response其中包括携带了tool_calls的 AIMessage更新给supervisor_tools然后再具体执行工具的使用。supervisor_tools节点执行阶段首先supervisor_tools节点会检查退出条件# Step 1: Extract current state and check exit conditions configurable Configuration.from_runnable_config(config) supervisor_messages state.get(supervisor_messages, []) research_iterations state.get(research_iterations, 0) most_recent_message supervisor_messages[-1] # Define exit criteria for research phase exceeded_allowed_iterations research_iterations configurable.max_researcher_iterations no_tool_calls not most_recent_message.tool_calls research_complete_tool_call any( tool_call[name] ResearchComplete for tool_call in most_recent_message.tool_calls ) # Exit if any termination condition is met if exceeded_allowed_iterations or no_tool_calls or research_complete_tool_call: return Command( gotoEND, update{ notes: get_notes_from_tool_calls(supervisor_messages), research_brief: state.get(research_brief, ) } )代码设定了三种退出条件即超过迭代次数、无工具调用或调用ResearchComplete只要满足其一节点就会返回END结束循环。否则节点会继续处理think_tool和ConductResearch两种类型的工具调用。# Step 3: Return command with all tool results update_payload[supervisor_messages] all_tool_messages return Command( gotosupervisor, updateupdate_payload )工具执行结束的执行结果将被封装为ToolMessage并返回给supervisor节点supervisor节点会分析研究结果决定是否需要进一步研究如果是的则又会生成工具调用响应转发给supervisor_tools节点从而实现迭代式的研究循环直到满足退出条件。ConductResearch工具调用研究者子图在supervisor_tools节点中还包含了一层嵌套即supervisor_tools节点在执行ConductResearch工具时会并行调用多个研究者子图实例。关键代码deep_researcher.py Lines 222-233如下# Execute research tasks in parallel research_tasks [ researcher_subgraph.ainvoke({ researcher_messages: [ HumanMessage(contenttool_call[args][research_topic]) ], research_topic: tool_call[args][research_topic] }, config) for tool_call in allowed_conduct_research_calls ] tool_results await asyncio.gather(*research_tasks)这里的原理稍微复杂一点因为本期主要是理结构就先不展开了。简单地来讲这里使用了列表推导式创建多个异步任务对象。其中researcher_subgraph.ainvoke()返回的是协程对象coroutine而不是立即执行的结果。而asyncio.gather(*research_tasks)中的*操作符将列表展开为多个参数gather函数会同时启动所有这些协程让它们并行运行然后await会等待所有任务完成。第三层研究者子图结构分析研究者子图采用带条件分支的循环结构支持自主探索和条件退出首先结合源代码deep_researcher.py Lines 587-605来看下研究者子图的整体架构# Researcher Subgraph Construction# Creates individual researcher workflow for conducting focused research on specific topicsresearcher_builder StateGraph( ResearcherState, outputResearcherOutputState, config_schemaConfiguration)# Add researcher nodes for research execution and compressionresearcher_builder.add_node(researcher, researcher) # Main researcher logicresearcher_builder.add_node(researcher_tools, researcher_tools) # Tool execution handlerresearcher_builder.add_node(compress_research, compress_research) # Research compression# Define researcher workflow edgesresearcher_builder.add_edge(START, researcher) # Entry point to researcherresearcher_builder.add_edge(compress_research, END) # Exit point after compression# Compile researcher subgraph for parallel execution by supervisorresearcher_subgraph researcher_builder.compile()从上述代码可以看出监督者子图中设置了3个节点分别是•节点1researcher- 研究者决策节点决定使用哪些工具进行搜索•节点2researcher_tools- 工具执行节点执行搜索工具调用•节点3compress_research- 压缩节点整理研究结果整个监督者子图的工作流比较简单就不展开每个节点函数的代码分析了。主要是通过Command在researcher和researcher_tools间构建循环基本步骤包括researcher节点分析研究主题决定调用哪些搜索工具researcher_tools节点执行这些工具调用可以并行执行多个搜索执行完工具后researcher_tools检查退出条件• 如果满足退出条件如超过迭代次数或调用ResearchComplete跳转到compress_research• 否则返回到researcher继续循环。compress_research节点将研究结果压缩整理并用它来更新对应的state然后结束研究。总结Open Deep Research的多Agent架构采用了三级分层嵌套结构实现了职责分离和并行执行•主图层线性管道结构负责澄清→规划→研究→报告的整体流程编排•监督者子图层循环结构负责任务分解与委派通过ConductResearch工具并行调用多个研究者子图•研究者子图层带条件分支的循环结构负责具体的研究执行和结果压缩同时Open Deep Research的设计模式将决策与执行分离到了不同节点。supervisor/researcher节点通过bind_tools()生成tool_calls但不执行supervisor_tools/researcher_tools节点负责实际执行工具。这种分离机制提供了更好的控制流、错误处理和状态管理能力。通过LangGraph的子图复用机制和异步并行执行系统实现了高效的多Agent协作为构建复杂的多Agent系统提供了很好的参考范例。如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。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并将重要的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。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】