多智能体协作的Open Deep Research，代码简单，一看就懂，适合新手学习

项目利用多个专门的 AI 智能体（Agent）协同工作，github地址为

wuud/multi-agent-deep-research: 多智能体协作式deep research

，根据用户提供的查询，通过网络搜索、内容提取、信息验证、动态摘要和最终报告生成，来完成一个小型研究任务。系统的核心是 PlannerAgent，它负责协调整个流程，动态生成搜索策略，并决定何时结束研究。

主要特性

• 多智能体架构: 将复杂的任务分解给不同的智能体，每个智能体专注于特定功能（规划、搜索、抓取、分析、验证、摘要、报告）。

• 迭代式研究: 通过多轮搜索和信息处理，逐步深入和完善研究结果。

• 动态查询生成: PlannerAgent 能根据当前研究进展和初步计划，智能地生成后续的搜索查询，或判断研究是否完成。

• 内容抓取与解析: 利用 Jina AI RAG API 高效抓取网页内容并提取主要文本。

• 上下文分析与验证: AnalyzerAgent 提取与查询相关的信息，ValidatorAgent 进一步评估信息片段的质量和相关性，确保最终报告基于可靠内容。

• 滚动摘要: 当收集到的信息过多时，SummarizerAgent 会介入，对累积的上下文进行压缩和整合，防止超出后续处理的限制。

• 自动化报告: ReporterAgent 根据所有验证过的上下文，自动生成一份包含引用来源的结构化中文研究报告。

• 可配置性:

  • 支持 Serper 和 SerpApi 两种搜索引擎。

  • 可以为不同的 Agent 配置不同的 LLM 模型。

  • 可调整内容处理、上下文长度等多种限制参数。

• 异步执行: 利用 asyncio 和 aiohttp 进行高效的并发网络请求（搜索、抓取）。

系统架构与工作流程

系统由以下几个核心 Agent 组成：

PlannerAgent: 流程的“大脑”，负责：

• 接收用户查询和设置。

• 生成初步研究计划（可选）。

• 生成初始和后续的搜索查询。

• 协调其他 Agent 的工作。

• 管理研究状态（已处理 URL、已用查询、累积上下文）。

• 判断研究是否完成或达到迭代上限。

• 触发滚动摘要。

• 调用 ReporterAgent 生成最终报告。

SearcherAgent: 执行网络搜索，使用配置的搜索引擎（Serper/SerpApi）获取相关网页 URL。

FetcherAgent: 使用 Jina AI RAG API 抓取指定 URL 的网页内容。

AnalyzerAgent: 分析 FetcherAgent 获取的页面内容，提取与用户原始查询和当前搜索查询相关的信息片段。

ValidatorAgent: 评估 AnalyzerAgent 提取出的信息片段，判断其是否真实相关、内容充实且非冗余。

SummarizerAgent: 当累积的验证后上下文过长时，负责将其与新获取的上下文进行整合与摘要，生成更精简但信息丰富的版本。

ReporterAgent: 在研究结束后，整合所有通过验证的上下文片段，生成最终的结构化研究报告，并附带引用来源列表。

流程图

项目流程图