AI工程师手册实战从零构建 Deep Research Agent自动生成研究报告的完整教程【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook如果你正在寻找一份AI工程师手册级别的实战教程想搞懂 AI Agent 是如何工作的那么本文非常适合你。我们将基于开源项目ai-angineers-handbook中的 Deep Research Agent 子项目一步步拆解它是如何自动生成研究报告的——从用户输入一个主题开始经过规划、搜索、反思、总结四个阶段最终产出一份完整的 Markdown 报告全程无需任何 LLM 编排框架代码简洁到新手也能看懂。上图展示了 Deep Research Agent 从用户提问到交付报告的端到端架构来源deep_research_agent/README.mdDeep Research Agent 是什么它能自动做什么Deep Research Agent 是一个深度研究型 AI Agent。与传统聊天机器人不同它不只靠模型记忆回答问题而是真正具备自主搜索网页、反复反思、迭代补全信息的能力就像一位认真负责的研究助理自主规划先为你的问题设计报告大纲主动搜索针对每个章节生成搜索词并调用网页搜索反思迭代检查已有内容是否遗漏关键信息补充搜索自动成稿把分散的资料整理成结构化研究报告项目完整源码位于 deep_research_agent/src全部核心逻辑只有 6 个文件非常适合作为 AI Agent 入门教材。Deep Research Agent 工作流程5 步自动生成研究报告整个系统采用经典的规划—执行—总结流水线你只需要运行一条命令剩下的交给 Agent输入主题用户提供想要研究的话题Query生成大纲LLM 根据主题规划报告结构输出若干段落的标题与内容要点逐段深研每个段落独立进入研究流程获取充足素材汇总成稿所有段落的研究结果汇总由 LLM 组装成最终报告输出报告以 Markdown 文件形式交付给用户这套顶层调度逻辑写在 topology.py 中主流程清晰易懂是理解 AI Agent 工作流的绝佳范例。深入研究环节Agent 反思机制如何提升报告质量Deep Research Agent 最精彩的部分在于单段落研究环节它体现了AI Agent 反思机制的核心思想针对每一个段落Agent 会执行以下循环① LLM 基于段落要点设计最优搜索词并说明推理过程② 调用 Tavily 执行网页搜索获取前几名相关结果③ 把搜索结果交给 LLM 生成段落初稿④ 进入反思步骤LLM 审视初稿判断是否遗漏关键角度生成补充搜索词⑤ 将补充结果合并进段落内容重复反思若干轮默认 2 轮直到信息足够完整这种搜索 → 总结 → 反思 → 再搜索的闭环正是深度研究 Agent 与传统问答的关键区别相关代码可参考 agents.py 中的ReflectionAgent与ReflectionSummaryAgent。AI 工程师手册项目结构一览本项目是 Building Agents from Scratch从零构建 AI Agent系列的一部分整个手册循序渐进地覆盖了构建 Agent 的核心能力模块学习内容项目路径Tool Use让 LLM 调用外部工具tool_useReflection反思与自我纠错planning/reflectionDeep Research Agent深度研究 自动成稿deep_research_agent记忆Memory与评估Evaluation模块也在规划中。想从宏观上理解 AI Agent 的组成核心、规划、记忆、工具可以查看项目总览图 agent.png。快速上手一键安装与运行 Deep Research Agent项目使用 uv 管理 Python 依赖安装与运行都非常简单第 1 步克隆仓库git clone https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook第 2 步复制环境变量文件进入building_agents_from_scratch/deep_research_agent目录将env.example复制为.envcp env.example .env第 3 步运行深度研究uv run --env-file .env src/topology.py --topic 人类有哪些有趣的特性大约 5 分钟后一份完整的 Markdown 研究报告就会生成到reports目录下。配置 API 密钥SambaNova 与 Tavily 的完整配置方法运行前需要准备两个免费的 API 密钥并填入.env文件SAMBANOVA_API_KEY用于调用推理模型DeepSeek-R1 系列TAVILY_API_KEY用于网页搜索默认配置见 env.example已经非常贴心LLM_REASONINGDeepSeek-R1-Distill-Llama-70B负责大纲规划与最终成稿推理能力强LLM_REGULARMeta-Llama-3.3-70B-Instruct负责搜索词生成与段落总结速度快、成本低这种强推理模型做规划、轻量模型做执行的分工是很多生产级 AI Agent 的通用设计很值得学习借鉴。查看生成结果研究报告输出到哪里运行完成后报告会以时间戳命名自动保存例如reports/report_2026-08-19_08-00-00.md报告内容包括 根据各段落标题自动生成的总标题 结构化的章节内容 自动补充的结论Conclusion段落如果只想跟着代码逐步理解实现细节项目还提供了 Jupyter Notebook 交互式教程位于 notebooks逐行运行即可观察 Agent 的每一步行为。写在最后下一步怎么学通过本文的拆解你已经看到了一个真实可运行的Deep Research Agent是如何把规划、搜索、反思、总结串成完整工作流的。这也是AI工程师手册系列的核心价值——不依赖黑盒框架用最简单的方式讲清楚 AI Agent 的本质。接下来你可以尝试✏️ 修改 topology.py 中的反思轮数NUM_REFLECTIONS观察报告质量变化 调整搜索结果的截断长度控制信息量 继续学习同系列的工具使用Tool Use与反思Reflection模块完善你的 Agent 知识体系从零构建一个属于自己的 AI Agent并没有想象中那么难现在就去动手试试吧【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考