简介

DeepResearch是一种专业AI研究范式，采用Plan-Execute-Synthesize三步流程，将复杂研究任务分解为可执行的工作流。文章介绍了多种DeepResearch框架实现，并重点展示如何使用LangGraph进行实践，包括状态管理、工具集成和工作流可视化。通过模块化设计，可整合网络搜索、网页访问和学术搜索等工具，构建完整的AI研究助手，帮助用户系统性地完成深度研究任务。

---

想象这样一个场景，老板让你：“研究下电动汽车行业的发展趋势，下周一交付”。

面对这个任务，你会怎么做？直接问DeepSeek：“电动汽车行业发展趋势如何”？还是在谷歌百度上搜索些文章，组合一下？还是会像专业研究员一样，制定研究计划，多方收集信息，深度分析后形成报告？

这就是DeepResearch的价值所在。它不是简单的推理问答，而是一套完整的研究范式，定义了如何进行深度研究的标准流程和思维模式，将复杂的研究任务分解为工作流，让你也具有专业研究员的能力。

本文将通过LangGraph来实践DeepResearch工作流，从零构建一个专业AI研究助手。

DeepResearch：研究范式

三步范式：Plan → Execute → Synthesize

根据OpenAI官方发布的Deep Research指导文档，DeepResearch的核心架构是三步范式：

1. 1. Plan（规划阶段）

• • 目标： 将复杂问题分解为可独立研究的子问题

比如研究电动汽车行业发展趋势，拆解的问题可能是：收集2025年全球电动汽车市场规模数据、研究电动汽车技术突破、分析各国电动汽车政策影响。每个子问题都是独立的、具体的、可执行的研究任务。

1. 2. Execute（执行阶段）

• • 目标： 执行子任务收集和分析信息

在执行阶段会使用多种工具，整合数据库的信息，做对比总结。

1. 3. Synthesize（合成阶段）

• • 目标： 将子问题的答案整合成连贯的最终报告

DeepResearch框架

DeepResearch是一个范式，具体有多种框架实现。目前主流的DeepResearch实现如下：

框架名称	组织	特色功能	GitHub Stars
通义DeepResearch	Alibaba	开源，IterResearch范式，端到端训练	2.8k
DeerFlow	ByteDance	完整WebUI，集成Coder做数据分析	15.1k
OpenDeepResearch	HuggingFace	ReAct范式，动作即代码	21.2k
LangChain版本	LangChain	加入反思(Reflect)机制	4.3k
DeepResearchAgent	SkyworkAI	使用browser-use自动化	1.1k
AutoDeepResearch	HKUDS	基于AutoAgent框架	1k

LangGraph实践优势

1. 1. 状态管理

class ResearchState(TypedDict):    """研究状态定义 - 管理整个研究流程的状态"""    question: str  # 原始研究问题    research_plan: List[Dict[str, Any]]  # 研究任务计划    search_results: List[Dict[str, Any]]  # 搜索结果历史    final_answer: Optional[str]  # 最终答案    should_continue: bool  # 是否继续研究

1. 2. 可视化工作流

LangGraph可以把复杂的研究逻辑转化为流程图：

workflow = StateGraph(ResearchState)workflow.add_node("plan_research", plan_research_node)workflow.add_node("execute_search", execute_search_node)workflow.add_node("synthesize_answer", synthesize_answer_node)# 添加条件边 - 实现智能路由workflow.add_conditional_edges(    "plan_research",    decide_next_action,    {        "search": "execute_search",        "synthesize": "synthesize_answer"    })

1. 3. 不同工具集成

可以定义不同的工具来执行

# 工具定义@tooldef web_search(query: str, num_results: int = 5) -> List[Dict]:    """网络搜索工具"""    return search_engine.search(query, num_results)@tool  def academic_search(query: str, field: str = "all") -> List[Dict]:    """学术搜索工具"""    return scholar_api.search(query, field)

通过Langgraph来实践，可以理解并掌握DeepResearch的实现原理，又能根据需求定制。

项目：基于LangGraph的DeepResearch实现

https://github.com/ditingdapeng/langgraph-deepresearch

项目采用模块化设计，组件包括：

定义状态管理

状态管理就像研究员的笔记本，要记录整个研究过程：研究计划、研究过程、思考分析、输出报告。

class ResearchState(TypedDict):    """研究状态定义 - 管理整个研究流程的状态"""    # 基础信息    question: str# 原始研究问题    current_round: int# 当前研究轮次    max_rounds: int# 最大研究轮次        # 研究计划    research_plan: List[Dict[str, Any]]  # 研究任务计划    current_task: Optional[Dict[str, Any]]  # 当前执行任务    completed_tasks: List[int]  # 已完成任务ID列表        # 研究过程    search_results: List[Dict[str, Any]]  # 搜索结果历史    visit_results: List[Dict[str, Any]]  # 网页访问结果历史    scholar_results: List[Dict[str, Any]]  # 学术搜索结果历史        # 思考和报告    round_thoughts: List[str]  # 每轮思考记录    round_reports: List[str]  # 每轮报告记录        # 最终输出    final_answer: Optional[str]  # 最终答案    research_summary: Optional[str]  # 研究总结

集成工具

定义工具箱，即你需要从哪个数据来源获取数据。我这里定义了三个：Serper网络搜索、Jina网页提取、学术搜索。

1. 1. 搜索工具 (SearchTool)

class SearchTool:    """基于Serper API的搜索工具"""        def _run(self, query: str) -> str:        """执行搜索并返回结果"""        # 调用Serper API进行搜索        # 返回格式化的搜索结果

1. 2. 网页访问工具 (VisitTool)

class VisitTool:    """基于Jina API的网页内容提取工具"""        def _run(self, url: str) -> str:        """访问网页并提取关键内容"""        # 使用Jina API提取网页内容        # 通过LLM分析和总结内容

1. 3. 学术搜索工具 (ScholarTool)

class ScholarTool:    """Google Scholar学术搜索工具"""        def _run(self, query: str) -> str:        """搜索学术论文和引用"""        # 搜索Google Scholar        # 提取论文标题、作者、引用等信息

工作流实现

将Plan-Execute-Synthesize范式转化为LangGraph工作流。

1. 1. 规划节点 (plan_research_node)

def _plan_research_node(self, state: ResearchState) -> ResearchState:    """规划研究任务"""    # 分析研究问题    # 生成研究计划    # 分解子任务    return updated_state

1. 2. 思考分析节点 (think_and_analyze_node)

def _think_and_analyze_node(self, state: ResearchState) -> ResearchState:    """思考和分析当前研究状态"""    # 分析已收集的信息    # 决定下一步行动    # 更新研究策略    return updated_state

1. 3. 执行节点群

• • execute_search_node: 执行网络搜索
• • execute_visit_node: 访问具体网页
• • execute_scholar_node: 搜索学术资源

1. 4. 合成节点 (synthesize_answer_node)

def _synthesize_answer_node(self, state: ResearchState) -> ResearchState:    """合成最终答案"""    # 整合所有研究结果    # 生成结构化报告    # 评估答案质量    return updated_state

运行效果：

报告生成内容如下：

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓