文章介绍了深度搜索Agent的几种主流架构，包括迭代式搜索、Planner-Only架构、带评估器的双模块设计、递归式ROMA架构等。这些架构分别解决了问题拆分合理性、搜索结果评估、停止条件判断等核心问题。文章详细讨论了各架构的设计思路、优缺点及适用场景，并提供了实用的prompt模板。建议根据实际需求从简单架构开始，逐步叠加复杂模块，实现高效的大模型搜索Agent。

---

深度搜索Agent核心问题其实就有两个：怎么把复杂问题拆得合理，以及怎么判断搜索结果够不够用。近两年深度搜索Agent发展很快各家的实现思路也越来越成熟，围绕这两个问题业界逐渐沉淀出几种主流架构：从最基础的Planner-Only，到加入评估反馈的双模块设计，再到Sentient Labs提出的递归式方案。这篇文章将整理这些架构并顺便附上一些实用的prompt模板。

迭代式搜索Agent

在讨论更复杂的架构之前，先回顾一下最基础的迭代式搜索Agent。这类Agent通常基于ReAct（Reasoning and Acting）范式，工作流程很简单：接收问题→思考→调用工具搜索→观察结果→继续思考→再搜索…如此循环直到找到满意的答案。

但是这种简单的迭代模式有个问题：当面对复杂查询时单线程一步步搜效率太低。于是就有了并行工作流的思路，把一个大问题拆成多个子查询，让多个搜索任务同时跑。

Planner-Only架构

但并行工作流又有个明显的短板：子查询数量是写死的。实际情况是简单问题拆2-3个子查询就够了，而复杂问题可能要拆5-6个甚至更多。也就是说子查询的拆分应该是动态的而不是预先固定。

Planner LLM就是为解决这个问题产生的。它的作用很简单，就是分析用户问题的复杂度，决定应该拆成多少个子任务，每个子任务负责什么，以及应该调用哪些工具。

一个典型的Planner提示词结构如下：

 
# MAKE A STRATEGY/PLAN, YOU HAVE ACCESS TO FOLLOWING TOOLS  

↳ describe tools & their input parameters here

# GUIDELINES FOR QUERY COMPLEXITY, TOOL CALLS & #SUBAGENTS  

↳ simple fact finding queries requires just 1 subtask with 3-10 tool calls.  

↳ direct comparison queries might need 2-5 subtasks with 10-15 tools call each.  

↳ complex research might use more than 10 subtasks with clearly divided responsibilities

# CLEARLY DEFINE EACH SUBAGENT'S ROLE IN FOLLOWING FORMAT  

{  

  objective :-  

  output_format :-  

  tool_guidance :-  

  rationale :-  

}

# HEURISTICS FOR TOOL GUIDANCE (basically here we are doing Tool RAG)  

examine all available tools first, match tool usage to subagent objective,   

search the web only for broad external information or prefer specialized tools   

over generic ones.

这个提示词模板的设计思路值需要注意的是：首先告诉Planner有哪些工具可用，然后给出不同复杂度问题的拆分参考标准，最后要求它为每个子Agent明确定义目标、输出格式和工具使用指导。这样Planner输出的计划才足够具体，下游的执行Agent才能照着执行。

Planner承担的任务复杂度高是整个架构的核心节点。所以强烈建议用推理能力强的模型来做Planner，比如GPT-4o、Claude 3.5 Sonnet或者专门的推理模型如o1、DeepSeek-R1等。

停止条件的处理

有了Planner问题拆分的问题解决了，但还有另一个老问题：ReAct循环什么时候该停？

传统做法是手动设一个固定阈值靠经验调参比如最多跑5轮，但这显然不够灵活，因为复杂查询需要更多轮迭代，简单查询几轮就够了。固定阈值要么会让简单问题跑太多轮浪费资源，要么会让复杂问题提前结束拿不到完整答案。

所以解决办法是引入一个评估器LLM，每轮迭代后让评估器判断当前答案是否已经足够好，如果够好就停不够就继续跑。

评估器的提示词可以这样写：

 
# TASK  

Your task is to analyse and determine if following information is sufficient   

or there are knowledge gaps?? Provide reasoning for your answer

# Question  

add here the user question

# Generated Answer  

add here the answer generated by this iteration of ReAct

# OUTPUT FORMAT  

{  

  "is_sufficient": true/false  

  "reasoning":   

  "knowledge_gap":  

}

评估器需要做两件事：判断当前答案是否充分，以及如果不充分的话缺的是什么。knowledge_gap字段很关键，它可以指导下一轮迭代应该往哪个方向搜。

澄清问题机制

OpenAI在评估器的基础上又加了一层设计。他们观察到有些特别刁钻的问题LLM怎么搜都找不到满意的答案，评估器一直返回is_sufficient = false循环就没完没了。

这种情况往往不是搜索能力的问题而是问题本身定义不清，比如用户问"最好的笔记本电脑是哪个"，这里的"最好"指什么？性价比最高？性能最强？便携性最好？不同的理解会导向完全不同的搜索方向。

所以OpenAI的方案是：当评估器发现反复搜索都无法得到充分答案时，不如让Agent主动问用户几个澄清问题，把人拉进来帮忙明确需求。这就是所谓的human-in-the-loop设计。

检查清单评分

而SamayaAI提出了另一种评估思路：检查清单评分，这个方案对长篇幅答案特别有效。

传统评估器面对长答案容易"晕"，单个LLM很难在一大段文本里保持完整的推理链，上下文一长就开始丢信息，评估结果也就不太靠谱了。SamayaAI的想法是，与其让评估器去理解和评判整个答案的内容质量不如换个角度来评估答案是否符合预设的结构规范，这个结构规范就是所谓的检查清单。

比如说，如果用户问的是"对比A和B两个产品"检查清单可能包括：是否分别介绍了A和B的特点？是否有价格对比？是否有优缺点总结？是否给出了推荐建议？评估器只需要逐项打勾比从头读完整个答案再打分要简单得多。

 
# TASK  

Your task is to analyse and determine if the answer follows following checklist  

or not. If not the identify knowledge gaps. Provide reasoning for your answer.

# Question  

add here the user question

# Generated Answer  

add here the answer generated by this iteration of ReAct

# Checklist  

add your checklist here

# OUTPUT FORMAT  

{  

  "is_sufficient": true/false  

  "reasoning":   

  "knowledge_gap":  

}

Planner + Plan Evaluator双模块架构

前面说的评估器主要是评估搜索结果，但其实Planner生成的计划本身也可能有问题。于是就有了Planner + Plan Evaluator的双模块设计：先让Planner生成计划，再让评估器审核这个计划靠不靠谱，通过了再执行。

Plan Evaluator有几种典型的设计思路。

思路一：多计划竞争。让Planner并行生成多个执行计划，评估器从中挑最优的那个。这样能提高计划质量，但代价是成本和延迟都会上升——多生成几个计划就多几倍的token消耗。

思路二：单计划审核。先生成一个计划，评估器判断好坏，好就执行不好就打回去重新生成。这个思路成本更可控，但可能需要多轮打回-重生成才能得到合格的计划。

计划出问题一般都会是以下几种情况：

目标失败：Agent没完成任务或者完成了但违反了约束条件。比如让模型规划一趟从旧金山到印度的两周旅行，预算5000美元，结果它给你规划到越南去了；或者确实规划了印度行程但预算直接超了。

工具失败：这又分好几种情况。可能是生成了根本不存在的工具名（比如调用bing_search但工具库里压根没这个）；可能是工具对了但参数个数不对（lbs_to_kg只需要一个参数,它传了俩）；也可能是参数个数对了但值填错了（该传120传成了100）。

Plan Evaluator需要针对这些常见问题设计检查逻辑，在计划执行前就把明显的错误拦住，避免浪费执行资源。

递归搜索Agent

前面介绍的架构本质上都是迭代式的，但从算法角度看迭代能做的事递归也能做，而且递归天然适合处理可分解的层次化问题。

Sentient Labs就按照这个思路搞出了ROMA（Recursive Open Meta Agent）。

ROMA的核心思想是：把复杂问题递归地分解成子问题，每个子问题再独立处理。和普通的并行拆分不同，ROMA的子问题之间可以有依赖关系——某个子问题的答案可能是另一个子问题的输入。这种设计更符合复杂研究任务的实际结构。

上图是ROMA的简化版本，完整架构还有一层基于依赖图的信息抽取机制。依赖图用来管理子问题之间的前后关系，确保有依赖的任务按正确顺序执行。

递归架构的优势在于理论上可以处理任意深度的复杂查询，只要问题能被合理分解。但工程实现上也更有挑战，需要处理好递归深度控制、子问题结果合并、错误传播等问题。

总结

这几种架构并不是非此即彼的关系。Planner-Only适合入门，实现简单调试方便；加上评估器后系统变得更智能，但复杂度和成本也跟着上来；检查清单评分这类方案对长文档输出效果不错，值得在特定场景下尝试；而ROMA的递归思路理论上能处理更深层次的复杂查询，不过工程实现的门槛也更高。

实际落地时，可以先从简单架构跑通，再根据具体问题逐步叠加模块。毕竟Agent系统的调试本身就不容易，一上来就搞太复杂容易把自己绕进去。

---

如何系统的学习大模型 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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】