当前位置：首页 > news >正文

DeerFlow源码分析

news 2026/5/11 13:03:05

背景和价值
DeerFlow多智能体系统解析
- 1. DeerFlow有哪些Agent，以及定义
- 2. Agent之间流转（流程图）及控制变量
  - Agent流转流程图
  - 关键控制变量
- 3. 实例讲解：用户输入"如何提高AI模型的推理速度？"
  - 流程图解析
  - 详细流转说明
- 为什么这样设计？
参考资料

背景和价值

DeerFlow多智能体系统解析

1. DeerFlow有哪些Agent，以及定义

DeerFlow基于LangGraph构建的多智能体协作系统，主要包含以下核心Agent：

Agent类型	定义	主要职责
协调器(Coordinator)	系统入口点，领导者	接收用户输入，处理简单问候/拒绝不当请求，将任务转交给规划器
规划者(Planner)	系统参谋部	将宏观问题分解为子任务，制定研究计划，判断是否需要背景调查
研究员(Researcher)	研究团队核心	通过网络搜索、爬虫等工具收集信息，确保数据质量
程序员(Coder)	研究团队技术专家	执行Python代码进行数据处理、统计分析、运行模拟
报告员(Reporter)	最终成果输出者	整合所有信息，生成结构化、人类可读的报告/播客/演示文稿

💡 从知识库[3][6]可知：DeerFlow采用"协调器→规划器→研究团队→报告员"的层级协作模式，研究团队包含研究员和程序员两个专业角色。

2. Agent之间流转（流程图）及控制变量

Agent流转流程图

用户输入│▼
[协调器(Coordinator)] → (通过handoff_to_planner工具)│▼
[规划者(Planner)] → (可能启用背景调查)│├───是否需要人工审核? (auto_accepted_plan)│      ││      ├───否 → 直接进入研究团队│      └───是 → [人工反馈节点(Human Feedback)]│               ││               ├───[ACCEPTED] → 进入研究团队│               └───[EDIT_PLAN] → 返回规划器│▼
[研究团队(Research Team)]│├───根据步骤类型路由│      ││      ├───RESEARCH → [研究员(Researcher)]│      └───PROCESSING → [程序员(Coder)]│▼
[所有步骤完成?]│├───是 → [报告员(Reporter)]└───否 → 继续执行未完成步骤

关键控制变量

变量名	作用	默认值	说明
`auto_accepted_plan`	是否跳过人工审核	`False`	`True`表示自动接受计划，跳过用户反馈
`enable_background_investigation`	是否启用背景调查	`False`	启用后，planner会先进行初步搜索
`plan_iterations`	计划迭代次数	`0`	达到最大迭代次数后直接进入reporter
`current_plan`	当前研究计划	`None`	JSON格式的计划，包含步骤和执行状态
`step.execution_res`	步骤执行结果	`None`	用于判断步骤是否完成

💡 从知识库[1][5]可知：current_plan是核心状态，包含steps列表，每个步骤有step_type和execution_res属性，决定下一步流向。

3. 实例讲解：用户输入"如何提高AI模型的推理速度？"

流程图解析

用户输入: "如何提高AI模型的推理速度？"│▼
[协调器(Coordinator)] │ 处理输入，调用handoff_to_planner工具▼
[规划者(Planner)]│ 生成计划: │   - 背景调查: 搜索"AI模型推理速度优化" │   - 步骤1: 网络搜索相关论文│   - 步骤2: 分析不同优化技术│   - 步骤3: 代码实现示例│▼
[人工反馈节点]│ auto_accepted_plan = False (默认)│ 调用interrupt("请审核计划。")│▼
用户回复: "[ACCEPTED]"│▼
[研究团队(Research Team)]│ 根据步骤类型路由:│   - 步骤1: RESEARCH → [研究员(Researcher)]│   - 步骤2: PROCESSING → [程序员(Coder)]│▼
[研究员(Researcher)]│ 执行网络搜索，获取最新论文和优化技术│ 保存结果到observations│▼
[程序员(Coder)]│ 执行Python代码，实现不同优化技术│ 保存结果到observations│▼
[所有步骤完成?]│ 是 → 进入[报告员(Reporter)]│▼
[报告员(Reporter)]│ 整合信息，生成结构化报告│ 保存到final_report│▼
[流程结束]

详细流转说明

协调器阶段：
- 用户输入"如何提高AI模型的推理速度？"
- 协调器判断为研究请求，调用handoff_to_planner工具转交规划器
- 代码路径：coordinator_node → handoff_to_planner工具
规划器阶段：
- 规划器生成计划，可能启用背景调查
- 代码路径：planner_node → 生成current_plan
- 如果auto_accepted_plan=False（默认），进入人工反馈节点
人工反馈阶段：
- 系统暂停，等待用户确认
- 用户输入[ACCEPTED]，系统继续执行
研究团队阶段：
- 系统根据计划中的步骤类型决定：
  - 网络搜索 → 研究员
  - 代码实现 → 程序员
- 代码路径：continue_to_running_research_team函数
报告生成阶段：
- 所有步骤完成后，自动进入报告员
- 报告员整合信息，生成最终报告
- 代码路径：reporter_node