DeepSearch

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。

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：

web-search skill: 用于执行网页搜索，运行脚本：python scripts/web_search.py "<query>"
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：

使用nextSearchTopic作为查询参数
运行web-search技能：python scripts/web_search.py "<query>"
根据返回的摘要列表组织答案，不新增或臆造内容
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

复杂主题研究: 需要对特定主题进行深入、全面的研究
最新信息分析: 需要基于最新网络信息生成详细分析报告
多角度探索: 需要从不同角度和维度探索一个主题
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

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
避免重复: 系统记录已搜索主题，避免重复搜索相同内容
深度推理: 使用专门的推理模型进行综合分析

系统特性

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

集成特性

LLM集成: 结合GPT-4o进行智能分析，deepseek-reasoner进行深度推理
网络搜索: 集成web-search技能获取实时网络信息
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

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
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
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
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

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
外部依赖: 依赖web-search技能执行实际搜索
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

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

最佳实践

渐进式研究: 从宽泛主题开始，逐步深入具体方向
多源验证: 结合多个来源的信息进行交叉验证
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

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
迭代过早结束: 调整LLM的temperature参数或提供更多上下文
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

并行搜索: 充分利用系统的并行能力（最多10个并行）
缓存利用: 对于相同主题的多次研究，可考虑结果缓存
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web-search技能和相关LLM服务。

deepsearch