Multi-Agent-Workflow
Tip
多代理工作流架构，不同的专业代理协作处理用户查询，并生成一份全面的研究报告
Agent 职责和能力
DeerFLow 的多智能体工作流程由五个专业智能体组成，以下是它们特定的角色以及责任
| | |
| | 处理问候和闲聊，对用户请求进行分类，将研究查询路由到Planner |
| | |
| | |
| | |
| | |
Coordinator Agent
将用户的请求分为三类
- • 交给 Planner：研究问题、事实查询，会被进一步处理
Planner Agent
将复杂查询分解为可管理的步骤，以便创建详细的研究计划
- 2. 若上下文不足，则创建一个结构化的研究计划，包含具体步骤
- 3. 将步骤分类为“研究”（网络搜索）或处理（计算任务）
- 4. 限制计划的步骤数量，最大思考步数（默认为 3 次）
Researcher Agent
执行需要收集信息的研究步骤
- 1. 使用内置工具，如
web_search_tool 和 crawl_tool
Coder Agent
执行涉及到 Python 代码的数据处理
Reporter Agent
负责所有收集的信息综合成完整的最终报告
工作流执行过程
工作流配置
| | |
| | |
| | |
| | |
| enable_background_investigation | | |
| | |
提示到 Agent 的映射
将代理的提示映射到定义其行为的实际代码文件
计划结构化和步骤执行
步骤类型和执行
步骤分为研究、处理两种类型
StepType.RESEARCH
- • 需要进行网络搜索
need_web_search: true - • 由 Researcher Agenet 执行，使用网络搜索和爬取工具
StepType.PROCESSING
- • 不需要进行网络搜索
need_web_search: false - • 由 Coder Agent 执行，使用 Python 进行数据处理
工具整合
DeerFlow 集成了代理可用于收集信息和处理数据的各种工具
内置工具
动态工具加载随着 MCP
支持通过 MCP 动态加载其他工具
这里给出 GitHub 趋势存储库的 MCP 示例
"mcp_settings": {
"servers": {
"mcp-github-trending": {
"transport": "stdio",
"command": "uvx",
"args": ["mcp-github-trending"],
"enabled_tools": ["get_github_trending_repositories"],
"add_to_agents": ["researcher"]
}
}
}
Data Flow
Tip
本文的记录数据的流转，用户输入到最终研究报告的产出，前后端交互时的消息、事件、状态，以及每个组件内的内部数据转换
Data Flow 的预览
前端 Data Flow
用户输入作为 API Request
sendMessage 函数（web/src/core/store/store.ts 76-154）的处理流程如下：
- 1. 创建新的用户消息，生成唯一 ID，并将其添加到 Zustand 状态存储
- 2. 设置存储中检索聊天设置，使用
getChatStreamSettings() - 3. 使用用户消息和配置参数发起 API 调用，调用
chatStream() - 4. 在对话期间将前端状态设置为“responding”
chat 的 Stream 参数包括如下
| |
| |
| |
| |
| |
| enable_background_investigation | |
| |
事件处理与状态管理
前端使用 Zustand 来管理应用状态，关键状态组件包括
当后端接收到事件时，它们会被处理并更新上述状态
- • tool_call_result：更新工具调用结果
以下这些状态更新函数用于管理聊天、研究过程中的状态变化，确保前端能够正确显示对话和研究进度
- • appendMessage：向存储中添加新消息
- • updateMessage：使用新内容更新现有消息
- • updateMessages：批量更新多个消息
- • setOngoingResearch：跟踪当前研究会话
- • openResearch：控制 UI 中显示的研究内容
API 通信
前后端通过 SSE 进行流式响应，支持两种模式
- • 常规模式（Regular mode）：发送实际请求到后端，获取实时响应
- • 回放模式（Replay mode）：使用预录的响应进行演示或测试
后端 Data Flow
请求处理
当后端接收到聊天请求时，通过 /api/chat/stream 断点进行处理
- • 启动 StreamResponse，使用
_astream_workflow_generator() 处理请求并生成流式响应
工作流事件生成
_astream_workflow_generator() 职责如下
- 3. 将 LangGraph 事件转换为 SSE（服务器发送事件）
LangGraph 状态流
管理 Agent 节点之间的状态转换，每个节点处理当前状态，并返回一个对象，该对象用于更新状态并引导工作流进入下一个节点
LangGraph 的状态对象包含
| |
| |
| |
| |
| |
| |
| |
| |
| enable_background_investigation | |
数据结构
Message 结构
Message 是 DeerFlow 系统的主要数据结构，在前后端之间流动
ChatEvent 结构
从后端流式传递到前端的事件具有如下结构
{
"event": "<event_type>",
"data": "<JSON 数据>"
}
其中 event_type 可以是：
- • message_chunk：来自代理的文本内容
- • tool_call_chunks：工具调用的部分内容
- • tool_call_result：工具执行的结果
ChatRequest 结构
从前端传递到后端的请求结构如下
{
"messages": [{ "role": "user", "content": "string" }],
"thread_id": "string",
"auto_accepted_plan": true,
"max_plan_iterations": 3,
"max_step_num": 5,
"interrupt_feedback": "string",
"enable_background_investigation": true,
"mcp_settings": {
"servers": {
"server_name": {
"transport": "string",
"command": "string",
"args": ["string"],
"url": "string",
"env": { "key": "value" },
"enabled_tools": ["string"],
"add_to_agents": ["string"]
}
}
}
}
粤ICP备14082021号
免费POC，
零成本试错
