agents-deep-research架构揭秘：知识缺口智能体与工具选择器如何协同工作

agents-deep-research架构揭秘知识缺口智能体与工具选择器如何协同工作【免费下载链接】agents-deep-researchAn implementation of iterative deep research using the OpenAI Agents SDK项目地址: https://gitcode.com/gh_mirrors/ag/agents-deep-researchagents-deep-research是基于OpenAI Agents SDK实现的迭代深度研究框架通过智能体协作自动完成知识探索与内容生成。本文将深入解析其核心组件——知识缺口智能体Knowledge Gap Agent与工具选择器Tool Selector Agent的协同机制揭示AI如何像人类研究员一样识别信息缺口并选择最优工具填补。知识缺口智能体研究完整性的质量检察官知识缺口智能体是迭代研究过程的导航系统负责评估当前研究状态并识别待填补的信息空白。其核心逻辑定义在deep_researcher/agents/knowledge_gap_agent.py中通过结构化输出判断研究是否完成。工作原理三步评估法输入分析接收原始查询与研究历史格式如下 ORIGINAL QUERY: 原始用户查询 HISTORY OF ACTIONS, FINDINGS AND THOUGHTS: 已执行活动与发现 完整性评估基于当前研究成果判断是否足以回答原始查询。关键代码逻辑体现在其输出模型class KnowledgeGapOutput(BaseModel): research_complete: bool Field(description研究是否足够完整以结束循环) outstanding_gaps: List[str] Field(description仍需解决的知识缺口列表)缺口识别若研究不完整最多识别3个优先级最高的知识缺口。例如当研究量子计算市场规模时可能识别出2025年全球量子计算市场细分数据主要厂商技术路线对比行业应用案例经济效益分析智能决策流程该智能体通过提示词模板引导LLM进行分析deep_researcher/agents/knowledge_gap_agent.py#L31-L49核心指令包括评估最新研究成果与原始查询的匹配度确定是否需要继续研究循环按优先级排序知识缺口确保针对性工具选择器智能体的任务分配中心工具选择器作为研究资源的调度员将知识缺口转化为具体的智能体任务。其实现位于deep_researcher/agents/tool_selector_agent.py负责为每个缺口匹配最优工具。核心功能从缺口到行动任务建模通过AgentTask模型定义具体行动class AgentTask(BaseModel): gap: Optional[str] Field(description待解决的知识缺口) agent: str Field(description使用的智能体名称) query: str Field(description智能体的具体查询3-6个词) entity_website: Optional[str] Field(description研究对象的网站)工具映射目前支持两种专业智能体WebSearchAgent适用于广泛主题的网络搜索SiteCrawlerAgent针对特定网站的深度爬取如公司官网、学术数据库选择策略遵循工具选择指南每次最多调用3个智能体任务可重复使用WebSearchAgent进行多角度查询查询需简洁精准3-6个词已知研究对象网站时必须指定避免重复历史中已尝试的无效方法决策示例当面对2025年量子计算市场细分数据这一缺口时工具选择器可能生成AgentSelectionPlan(tasks[ AgentTask( agentWebSearchAgent, query2025量子计算市场报告, gap2025年全球量子计算市场细分数据 ), AgentTask( agentSiteCrawlerAgent, query市场分析, entity_websitehttps://www.gartner.com, gap2025年全球量子计算市场细分数据 ) ])协同工作流程迭代研究的双引擎知识缺口智能体与工具选择器通过deep_researcher/iterative_research.py中的迭代循环实现无缝协作形成完整的研究闭环初始化阶段self.knowledge_gap_agent init_knowledge_gap_agent(self.config) self.tool_selector_agent init_tool_selector_agent(self.config)循环流程知识缺口智能体分析当前研究状态 → 输出缺口列表工具选择器将缺口转化为具体智能体任务执行工具任务并获取新信息更新研究历史重复评估直至研究完成终止条件当KnowledgeGapOutput.research_complete为True时循环结束进入报告生成阶段。实际应用特斯拉市场策略研究案例在examples/sample_output/tesla.md案例中两智能体的协作过程如下初始查询特斯拉2024年市场扩张策略知识缺口识别欧洲市场新工厂建设进度电池供应链合作伙伴变化自动驾驶技术商业化时间表工具选择WebSearchAgent特斯拉德国工厂2024SiteCrawlerAgent投资者关系目标网站tesla.comWebSearchAgent特斯拉自动驾驶2024规划迭代优化基于新获取的工厂投产延迟信息进一步识别欧洲竞争对手应对措施缺口扩展与定制打造专属研究智能体开发者可通过修改以下模块扩展系统能力新增工具智能体在deep_researcher/agents/tool_agents/目录下实现新的工具调用逻辑调整评估策略修改knowledge_gap_agent.py中的INSTRUCTIONS模板扩展工具选择更新tool_selector_agent.py中的可用智能体列表总结AI驱动的研究自动化新范式agents-deep-research通过知识缺口智能体与工具选择器的协同实现了研究过程的智能化与自动化。这种架构不仅大幅提升了信息收集效率更保证了研究的系统性与完整性。无论是学术探索、市场分析还是技术调研该框架都能作为强大的AI助手帮助研究者聚焦创造性思考而非机械性工作。要开始使用这个强大的研究工具只需克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/ag/agents-deep-research cd agents-deep-research pip install -r requirements.txt通过examples/iterative_example.py可快速体验完整的迭代研究流程见证AI如何像专业研究员一样思考、探索与发现。【免费下载链接】agents-deep-researchAn implementation of iterative deep research using the OpenAI Agents SDK项目地址: https://gitcode.com/gh_mirrors/ag/agents-deep-research创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考