“Talk is cheap. Show me the code.” — Linus Torvalds
在 AI 时代，这句话比以往任何时候都更真实。
最近几个月，“Agentic AI” 成为行业热词。但大多数讨论停留在概念层面：什么是 ReAct？什么是 Plan-and-Execute？什么是 Multi-Agent Collaboration？
然而，真正的问题是：你能否不依赖 LangChain、LlamaIndex 或 AutoGen，亲手写出一个可运行、可扩展、有实际价值的多智能体系统？
今天，我们就来从零开始，手写一个 Deep Research Agent（深度研究智能体）——它不仅能自主规划、并行研究、反思优化，还能输出结构化报告。整个系统完全基于原生 Python + LLM API 构建，无任何高级编排框架。
更重要的是：代码已开源，含完整 Notebook 和详细注释。
🎯 为什么要做这个项目？
当前主流的 LLM 应用开发范式高度依赖“编排框架”。这固然提升了开发速度，但也带来了几个问题：
- 黑盒化严重：开发者不清楚底层通信、状态管理、错误处理是如何实现的；
- 调试困难：当链路出错时，很难定位是 Prompt 问题、工具调用问题，还是框架逻辑问题；
- 灵活性受限：想自定义智能体协作协议？想插入自研的反思模块？往往需要“绕过”框架设计。
因此，我们决定回归本质：用最基础的组件（LLM API + 工具函数 + 控制流）构建一个端到端的 Agentic 系统。目标不是“炫技”，而是理解智能体系统的工程骨架。
🧩 系统整体架构
整个 Deep Research Agent 的工作流如下图所示：
阶段 1：用户输入与大纲生成
- 用户提供一个研究主题，例如：“分析 2025 年全球 AI 芯片竞争格局”。
- 系统调用 LLM（如 DeepSeek-R1、GPT-4o 或 Claude 3.5 Sonnet），要求其：
- 生成一份结构清晰的报告大纲；
- 限制段落数量（例如最多 5 段）；
- 每段需包含明确的研究目标描述（如“本段将分析英伟达、AMD、华为在训练芯片市场的份额变化”）。
✅关键设计：大纲本身成为后续子任务的“任务契约”（Task Contract），确保研究聚焦。
阶段 2：并行段落研究（Multi-Agent Parallelism）
每个段落描述被独立送入一个Research Sub-Agent（研究子智能体）。这些子智能体彼此独立、可并行执行，构成典型的Multi-Agent Topology。
每个子智能体内部执行一个Reflective Search Loop（反思式搜索循环），这是本系统的核心创新点。
🔁 反思式搜索循环（Reflective Search Loop）
传统 RAG 或单次搜索往往“一锤定音”，但人类研究员会不断调整问题、补充视角。我们的子智能体模拟这一过程：
步骤详解：
- Query Generation（查询生成）
LLM 根据段落目标，生成一个或多个 Web 搜索关键词，并附上推理理由（例如：“为了了解华为昇腾芯片的最新出货量，应搜索‘Huawei Ascend chip shipments 2025’”）。 - Web Search Execution（执行搜索）
调用搜索引擎 API（如 SerpAPI、DuckDuckGo、Google Programmable Search Engine），获取 Top-K 结果（标题、摘要、URL）。 - Reflection & Gap Analysis（反思与缺口分析）
LLM 接收搜索结果，回答两个问题：
- 当前信息是否足以支撑该段落写作？
- 是否存在明显缺失（如缺少竞品对比、时间范围不足、地域覆盖不全）？
- Iterative Query Refinement（迭代查询优化）
基于反思，生成新的、更精准的搜索查询。例如：
- 初始查询：“AI chip market 2025”
- 优化后：“AI training chip market share NVIDIA vs AMD vs Huawei Q3 2025”
- 循环 N 次（默认 2–3 轮）
每轮积累新信息，最终形成一个信息集合（Evidence Pool），用于段落撰写。
💡工程技巧：我们在每轮之间加入“去重”和“相关性过滤”，避免信息冗余。
📝 最终报告生成
所有子智能体完成研究后，系统将：
- 汇总每个段落的 Evidence Pool；
- 调用一个“Report Writer Agent”，根据原始大纲 + 所有证据，生成连贯、引用清晰的 Markdown 报告；
- 自动添加结论段（Conclusion），总结核心发现。
⚙️ 技术栈与关键实现细节
| 组件 | 选择 | 说明 |
|---|---|---|
| LLM | DeepSeek-R1（主）、GPT-4o（备选） | 选用 DeepSeek 因其在中文+英文混合任务中表现优异，且支持长上下文 |
| 搜索引擎 | SerpAPI + DuckDuckGo Fallback | 保证结果多样性与可用性 |
| 并行控制 | concurrent.futures.ThreadPoolExecutor | 轻量级并行，避免异步复杂度 |
| 输出格式 | Markdown + 引用标注 | 便于阅读与溯源 |
| 错误处理 | 重试机制 + 降级策略 | 如搜索失败则跳过该轮，保留已有信息 |
📌无框架依赖：未使用 LangChain 的 AgentExecutor、Tool Calling 或 Memory 模块，所有状态通过 Python 字典和列表管理。
💬 结语：真正的 AI 工程，始于动手
在这个“人人都在谈 Agent”的时代，能写 Prompt 的人很多，能写 Agent 系统的人很少。
而真正的分水岭，不在于你知道多少术语，而在于你是否愿意：
- 拆解一个复杂任务；
- 设计状态流转；
- 处理工具调用失败；
- 优化信息召回质量；
- 最终交付一个可靠、可解释、可维护的系统。
如何学习大模型 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。
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。
