一个无框架的深度搜索AI代理实现，能够通过多轮搜索和反思生成高质量的研究报告。
- 无框架设计: 从零实现，不依赖LangChain等重型框架
- 多LLM支持: 支持DeepSeek、OpenAI等主流大语言模型
- 智能搜索: 集成Tavily搜索引擎，提供高质量网络搜索
- 反思机制: 多轮反思优化，确保研究深度和完整性
- 状态管理: 完整的研究过程状态跟踪和恢复
- Web界面: Streamlit友好界面，易于使用
- Markdown输出: 美观的Markdown格式研究报告
Deep Search Agent采用分阶段的研究方法：
graph TD A[用户查询] --> B[生成报告结构] B --> C[遍历每个段落] C --> D[初始搜索] D --> E[生成初始总结] E --> F[反思循环] F --> G[反思搜索] G --> H[更新总结] H --> I{达到反思次数?} I -->|否| F I -->|是| J{所有段落完成?} J -->|否| C J -->|是| K[格式化最终报告] K --> L[输出报告] - 结构生成: 根据查询生成报告大纲和段落结构
- 初始研究: 为每个段落生成搜索查询并获取相关信息
- 初始总结: 基于搜索结果生成段落初稿
- 反思优化: 多轮反思，发现遗漏并补充搜索
- 最终整合: 将所有段落整合为完整的Markdown报告
确保您的系统安装了Python 3.9或更高版本：
python --versiongit clone <your-repo-url> cd Demo\ DeepSearch\ Agent# 激活虚拟环境（推荐） conda activate pytorch_python11 # 或者使用其他虚拟环境 # 安装依赖 pip install -r requirements.txt项目根目录下已有config.py配置文件，请直接编辑此文件设置您的API密钥：
# Deep Search Agent 配置文件 # 请在这里填入您的API密钥 # DeepSeek API Key DEEPSEEK_API_KEY = "your_deepseek_api_key_here" # OpenAI API Key (可选) OPENAI_API_KEY = "your_openai_api_key_here" # Tavily搜索API Key TAVILY_API_KEY = "your_tavily_api_key_here" # 配置参数 DEFAULT_LLM_PROVIDER = "deepseek" DEEPSEEK_MODEL = "deepseek-chat" OPENAI_MODEL = "gpt-4o-mini" MAX_REFLECTIONS = 2 SEARCH_RESULTS_PER_QUERY = 3 SEARCH_CONTENT_MAX_LENGTH = 20000 OUTPUT_DIR = "reports" SAVE_INTERMEDIATE_STATES = True现在您可以开始使用Deep Search Agent了！
基本使用示例：
python examples/basic_usage.py这个示例展示了最简单的使用方式，执行一个预设的研究查询并显示结果。
高级使用示例：
python examples/advanced_usage.py这个示例展示了更复杂的使用场景，包括：
- 自定义配置参数
- 执行多个研究任务
- 状态管理和恢复
- 不同模型的使用
启动Streamlit Web界面：
streamlit run examples/streamlit_app.pyWeb界面无需配置文件，直接在界面中输入API密钥即可使用。
from src import DeepSearchAgent, load_config # 加载配置 config = load_config() # 创建Agent agent = DeepSearchAgent(config) # 执行研究 query = "2025年人工智能发展趋势" final_report = agent.research(query, save_report=True) print(final_report)如果需要在代码中动态设置配置，可以使用以下方式：
from src import DeepSearchAgent, Config # 自定义配置 config = Config( default_llm_provider="deepseek", deepseek_model="deepseek-chat", max_reflections=3, # 增加反思次数 max_search_results=5, # 增加搜索结果数 output_dir="my_reports" # 自定义输出目录 ) # 设置API密钥 config.deepseek_api_key = "your_api_key" config.tavily_api_key = "your_tavily_key" agent = DeepSearchAgent(config)Demo DeepSearch Agent/ ├── src/ # 核心代码 │ ├── llms/ # LLM调用模块 │ │ ├── base.py # LLM基类 │ │ ├── deepseek.py # DeepSeek实现 │ │ └── openai_llm.py # OpenAI实现 │ ├── nodes/ # 处理节点 │ │ ├── base_node.py # 节点基类 │ │ ├── report_structure_node.py # 结构生成 │ │ ├── search_node.py # 搜索节点 │ │ ├── summary_node.py # 总结节点 │ │ └── formatting_node.py # 格式化节点 │ ├── prompts/ # 提示词模块 │ │ └── prompts.py # 所有提示词定义 │ ├── state/ # 状态管理 │ │ └── state.py # 状态数据结构 │ ├── tools/ # 工具调用 │ │ └── search.py # 搜索工具 │ ├── utils/ # 工具函数 │ │ ├── config.py # 配置管理 │ │ └── text_processing.py # 文本处理 │ └── agent.py # 主Agent类 ├── examples/ # 使用示例 │ ├── basic_usage.py # 基本使用示例 │ ├── advanced_usage.py # 高级使用示例 │ └── streamlit_app.py # Web界面 ├── reports/ # 输出报告目录 ├── requirements.txt # 依赖列表 ├── config.py # 配置文件 └── README.md # 项目文档 graph TB subgraph "用户层" A[用户查询] B[Web界面] C[命令行接口] end subgraph "主控制层" D[DeepSearchAgent] end subgraph "处理节点层" E[ReportStructureNode<br/>报告结构生成] F[FirstSearchNode<br/>初始搜索] G[FirstSummaryNode<br/>初始总结] H[ReflectionNode<br/>反思搜索] I[ReflectionSummaryNode<br/>反思总结] J[ReportFormattingNode<br/>报告格式化] end subgraph "LLM层" K[DeepSeekLLM] L[OpenAILLM] M[BaseLLM抽象类] end subgraph "工具层" N[Tavily搜索] O[文本处理工具] P[配置管理] end subgraph "状态管理层" Q[State状态对象] R[Paragraph段落对象] S[Research研究对象] T[Search搜索记录] end subgraph "数据持久化" U[JSON状态文件] V[Markdown报告] W[日志文件] end A --> D B --> D C --> D D --> E D --> F D --> G D --> H D --> I D --> J E --> K E --> L F --> K F --> L G --> K G --> L H --> K H --> L I --> K I --> L J --> K J --> L K --> M L --> M F --> N H --> N D --> O D --> P D --> Q Q --> R R --> S S --> T Q --> U D --> V D --> W style A fill:#e1f5fe style D fill:#f3e5f5 style E fill:#fff3e0 style F fill:#fff3e0 style G fill:#fff3e0 style H fill:#fff3e0 style I fill:#fff3e0 style J fill:#fff3e0 style K fill:#e8f5e8 style L fill:#e8f5e8 style N fill:#fce4ec style Q fill:#f1f8e9 主要的Agent类，提供完整的深度搜索功能。
class DeepSearchAgent: def __init__(self, config: Optional[Config] = None) def research(self, query: str, save_report: bool = True) -> str def get_progress_summary(self) -> Dict[str, Any] def load_state(self, filepath: str) def save_state(self, filepath: str)配置管理类，控制Agent的行为参数。
class Config: # API密钥 deepseek_api_key: Optional[str] openai_api_key: Optional[str] tavily_api_key: Optional[str] # 模型配置 default_llm_provider: str = "deepseek" deepseek_model: str = "deepseek-chat" openai_model: str = "gpt-4o-mini" # 搜索配置 max_search_results: int = 3 search_timeout: int = 240 max_content_length: int = 20000 # Agent配置 max_reflections: int = 2 max_paragraphs: int = 5from src import create_agent # 快速创建Agent agent = create_agent() # 执行研究 report = agent.research("量子计算的发展现状") print(report)from src import DeepSearchAgent, Config config = Config( max_reflections=4, # 更深度的反思 max_search_results=8, # 更多搜索结果 max_paragraphs=6 # 更长的报告 ) agent = DeepSearchAgent(config) report = agent.research("人工智能的伦理问题")# 开始研究 agent = DeepSearchAgent() report = agent.research("区块链技术应用") # 保存状态 agent.save_state("blockchain_research.json") # 稍后恢复状态 new_agent = DeepSearchAgent() new_agent.load_state("blockchain_research.json") # 检查进度 progress = new_agent.get_progress_summary() print(f"研究进度: {progress['progress_percentage']}%")# 使用DeepSeek config = Config(default_llm_provider="deepseek") # 使用OpenAI config = Config(default_llm_provider="openai", openai_model="gpt-4o")config = Config( output_dir="custom_reports", # 自定义输出目录 save_intermediate_states=True # 保存中间状态 )A: 目前支持：
- DeepSeek: 推荐使用，性价比高
- OpenAI: GPT-4o、GPT-4o-mini等
- 可以通过继承
BaseLLM类轻松添加其他模型
A:
- DeepSeek: 访问 DeepSeek平台 注册获取
- Tavily: 访问 Tavily 注册获取（每月1000次免费）
- OpenAI: 访问 OpenAI平台 获取
获取密钥后，直接编辑项目根目录的config.py文件填入即可。
A: 可以通过以下方式优化：
- 增加
max_reflections参数（更多反思轮次） - 增加
max_search_results参数（更多搜索结果） - 调整
max_content_length参数（更长的搜索内容） - 使用更强大的LLM模型
A: 修改src/prompts/prompts.py文件中的系统提示词，可以根据需要调整Agent的行为。
A: 当前主要支持Tavily，但可以通过修改src/tools/search.py添加其他搜索引擎支持。
欢迎贡献代码！请遵循以下步骤：
- Fork本项目
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 开启Pull Request
本项目采用MIT许可证 - 查看 LICENSE 文件了解详情。
如果这个项目对您有帮助，请给个Star！