BytedDeepsearch

概述

深度研究代理系统社区版是一个基于工作流的深度研究系统，能够对复杂主题进行多轮迭代的网络搜索和综合分析。系统通过结合LLM智能分析和实时网络搜索，生成详细的研究报告。

依赖技能

• byted-web-search

工作流调用逻辑

系统架构

本系统是一个工作流描述文档，没有执行脚本。依赖以下外部技能：

• byted-web-search skill: 执行网页搜索`
• LLM技能: 用于智能分析和推理

工作流程

1. 输入接收阶段

• 用户输入: 研究主题（sys.query）和研究深度（depth）
• 默认深度: 3（可配置）

2. 初始化阶段

• 创建迭代数组，深度为指定的depth值
• 数组格式：[0, 1, ..., depth-1]

3. 迭代搜索阶段（多轮执行）

每轮迭代执行以下步骤：

a) LLM智能分析

• 使用LLM分析当前研究状态
• 输入：用户查询、已收集的findings、已搜索的topics
• 输出：JSON格式，包含：
  • nextSearchTopic: 下一个搜索主题（字符串或None）
  • shouldContinue: 是否继续搜索（布尔值）

b) JSON解析

• 提取nextSearchTopic和shouldContinue字段
• 更新对话变量

c) 条件判断

• 如果shouldContinue为True：
  • 执行byted-web-search：python scripts/web_search.py "<nextSearchTopic>"
  • 将搜索结果追加到findings数组
  • 更新搜索进度显示
  • 继续下一轮迭代
• 如果shouldContinue为False：
  • 结束当前迭代
  • 输出中间结果

d) 变量管理

• 更新nextSearchTopic和shouldContinue变量
• 将nextSearchTopic追加到topics数组（记录已搜索主题）
• 避免重复搜索相同主题

4. 综合分析阶段

• 所有迭代完成后，使用LLM综合分析所有收集到的findings
• 生成详细的综合分析报告
• 输出格式：Markdown格式的详细报告

5. 报告生成阶段

• 输出最终的研究分析结果
• 包含重要洞察、结论和剩余不确定性
• 适当引用来源

变量说明

系统维护以下对话变量：

变量名	类型	描述
topics	array[string]	已搜索的主题列表
nextSearchTopic	string	下一个要搜索的主题
findings	array[string]	收集到的搜索结果列表
shouldContinue	string	是否继续搜索的标志

网页搜索集成

当需要进行网络搜索时：

1. 使用nextSearchTopic作为查询参数
2. 运行byted-web-search技能：python scripts/web_search.py "<query>"
3. 根据返回的摘要列表组织答案，不新增或臆造内容
4. 将搜索结果追加到findings数组

注意: 不要使用任何搜索参数配置（如search_depth、topic、max_results、country、time_range、days等），仅保留核心输入query。

进度跟踪

系统实时显示搜索进度：

• 格式：{index + 1}/{depth}th search executed.
• 例如：1/3th search executed.

使用场景

适用场景

1. 复杂主题研究: 需要对特定主题进行深入、全面的研究
2. 最新信息分析: 需要基于最新网络信息生成详细分析报告
3. 多角度探索: 需要从不同角度和维度探索一个主题
4. 系统化调查: 需要系统化的调查和证据收集

典型用例

• 市场趋势分析
• 技术发展研究
• 竞争对手分析
• 学术文献综述
• 产品调研

技术特点

智能特性

1. 自适应搜索: 每轮搜索后由LLM分析结果，智能决定下一步搜索方向
2. 避免重复: 系统记录已搜索主题，避免重复搜索相同内容
3. 深度推理: 使用专门的推理模型进行综合分析

系统特性

1. 多轮迭代: 支持指定深度的多轮搜索
2. 并行能力: 支持最多10个并行搜索
3. 状态管理: 完整的变量管理和状态跟踪
4. 进度可视: 实时显示搜索进度和状态

集成特性

1. LLM集成: 结合GPT-4o进行智能分析，deepseek-reasoner进行深度推理
2. 网络搜索: 集成byted-web-search技能获取实时网络信息
3. JSON处理: 使用JSON解析工具处理结构化数据

工作流示例

输入示例

用户查询: "人工智能在医疗领域的最新发展"
研究深度: 3

执行流程

1. 第1轮:

   • LLM分析: 决定搜索"AI医疗诊断最新进展"
   • Web搜索: 执行搜索并收集结果
   • 状态更新: 记录主题，决定继续搜索

2. 第2轮:

   • LLM分析: 基于第1轮结果，决定搜索"医疗影像AI技术突破"
   • Web搜索: 执行搜索并收集结果
   • 状态更新: 记录主题，决定继续搜索

3. 第3轮:

   • LLM分析: 基于前两轮结果，决定搜索"AI药物研发应用"
   • Web搜索: 执行搜索并收集结果
   • 状态更新: 记录主题，决定结束搜索

4. 综合分析:

   • LLM综合分析所有收集到的findings
   • 生成关于"人工智能在医疗领域的最新发展"的详细报告

输出示例

# 人工智能在医疗领域的最新发展研究报告

## 执行摘要
[基于三轮搜索的综合分析...]

## 主要发现
1. AI在医疗诊断方面的最新进展
   - [具体发现1]
   - [具体发现2]

2. 医疗影像AI技术突破
   - [具体发现3]
   - [具体发现4]

3. AI在药物研发中的应用
   - [具体发现5]
   - [具体发现6]

## 结论与建议
[综合分析结论...]

## 未来研究方向
[基于研究发现提出的未来研究方向...]

注意事项

工作流限制

1. 无执行脚本: 本skill是一个工作流描述文档，不包含可执行脚本
2. 外部依赖: 依赖byted-web-search技能执行实际搜索
3. 参数简化: 搜索时仅使用query参数，忽略其他搜索配置

使用建议

1. 深度设置: 根据研究复杂度设置合适的depth值
2. 查询优化: 提供清晰具体的研究主题
3. 结果验证: 对生成的报告进行必要的事实核查

最佳实践

1. 渐进式研究: 从宽泛主题开始，逐步深入具体方向
2. 多源验证: 结合多个来源的信息进行交叉验证
3. 及时更新: 对于快速发展的主题，建议定期重新研究

故障排除

常见问题

1. 搜索无结果: 检查query是否过于具体或专业，尝试更通用的搜索词
2. 迭代过早结束: 调整LLM的temperature参数或提供更多上下文
3. 结果重复: 系统已内置避免重复机制，如仍出现可手动干预

性能优化

1. 并行搜索: 充分利用系统的并行能力（最多10个并行）
2. 缓存利用: 对于相同主题的多次研究，可考虑结果缓存
3. 增量更新: 对于持续研究，可采用增量更新策略

---

重要提示: 本skill描述了一个深度研究工作流，实际执行需要依赖外部技能和配置。请确保已正确配置byted-web-search技能和相关LLM服务。