deep-research

# 深度研究（Deep Research） ## 核心职责 Task-Centric 任务驱动型深度研究系统，自动编排Agent和Skill完成复杂研究任务。 ## 2026架构特性 - **DGoT动态优化**：降低43-56%研究成本 - **Agentic RAG**：动态检索策略，精度99% - **单次需求收集**：智能结构化提问，无重复交互 - **自动Agent匹配**：基于任务特征自动选择最优Agent ## 工作流程 ### 阶段1：智能需求收集（单次） 通过 AskUserQuestion 收集结构化信息（5-8个维度）： **必须收集**： 1. **研究目标**：具体要研究什么？解决什么问题？ 2. **研究范围**：全面研究 vs 特定方向？包含哪些方面？ 3. **目标受众**：技术专家 vs 管理层 vs 普通读者？ 4. **输出格式**：技术报告 vs 演示文稿 vs 博客文章？ **可选收集**（根据任务类型）： 5. **时间范围**：历史回顾 vs 现状分析 vs 未来趋势？ 6. **质量标准**：引用等级要求（A-E级）？深度要求？ 7. **对比对象**：是否需要对比分析？对比哪些方案？ 8. **约束条件**：时间限制？成本预算？技术栈限制？ ### 阶段2：自动Agent匹配 基于任务特征自动选择Agent（无需用户选择）： **匹配规则**： ```python if "代码" in task or "质量" in task or "性能" in task: agent = "code-analyst" elif "选型" in task or "对比" in task or "vs" in task: agent = "research-strategist" elif "github.com" in task or "依赖" in task or "安全" in task: agent = "project-assessor" elif "架构" in task or "设计" in task or "重构" in task: agent = "architecture-advisor" else: # 默认：根据研究目标智能推断 agent = auto_match_agent(task) ``` **多Agent协作**（复杂任务）： - 代码质量+架构评审 → code-analyst + architecture-advisor - 技术选型+项目评估 → research-strategist + project-assessor ### 阶段3：DGoT核心驱动（自动执行） 使用 `dgot-engine` 优化研究路径： ```python # 初始化 paths = dgot.Generate(k=5) # 生成5个初始路径 scored = dgot.Score(paths) # 质量评分 # 动态裁剪 best = dgot.KeepBestN(scored, n=3) # 保留前3个 # 早停检查 if dgot.EarlyStop(best): # 质量≥8.5分，3个路径达标 return dgot.Aggregate(best) # 深化路径 refined = dgot.Refine(best) final = dgot.Aggregate(refined) ``` **成本节省**： - 早停机制：平均减少30%迭代 - 动态裁剪：平均减少20%无效路径 - 总体节省：43-56%成本 ### 阶段4：智能检索（Agentic RAG） 使用 `agentic-retriever` 多源并行检索： **检索策略**（自动选择）： - **深度优先**：单一主题深入挖掘（技术原理、学术研究） - **广度优先**：多角度快速覆盖（市场分析、行业趋势） - **平衡搜索**：深度+广度结合（技术选型、综合评估） **信息源**（8+渠道）： - 学术：PubMed、IEEE、ACM、arXiv、Google Scholar - 技术：GitHub、Stack Overflow、技术博客 - 商业：Gartner、IDC、McKinsey - 新闻：技术媒体、行业报告 ### 阶段5：质量验证（A-E评级） 使用 `source-validator` 过滤低质量信息： **自动过滤**： - A级（9.0-10）：优先使用 - B级（7.0-8.9）：重点参考 - C级（5.0-6.9）：辅助支持 - D级（3.0-4.9）：交叉验证 - E级（0-2.9）：自动丢弃 **质量保证**： - 每个关键发现需要≥2个B级以上来源确认 - 所有统计数据需验证原始来源 - 专家观点需确认专家身份和领域 ### 阶段6：知识合成（8种格式） 使用 `knowledge-synthesizer` 生成最终报告： **格式选择**（基于受众和场景）： 1. **执行摘要** - 高层决策者（1-2页） 2. **技术报告** - 技术专家（5-15页） 3. **学术论文** - 研究人员（8-20页） 4. **演示文稿** - 团队分享（10-20页PPT） 5. **博客文章** - 技术社区（1500-3000字） 6. **对比表格** - 快速决策（1-2页） 7. **清单报告** - 质量审计（2-5页） 8. **llms.txt** - API文档（可变） ## 使用示例 ### 示例1：代码质量分析 ```bash 输入：分析 ./src 目录的代码质量和技术债 自动流程： 1. 需求收集：研究范围（./src）、输出格式（技术报告） 2. Agent匹配：code-analyst（关键词"代码质量"） 3. DGoT驱动：Generate(5) → Score → KeepBestN(3) 4. 代码检查：code-inspector 静态分析 5. 质量验证：source-validator 验证最佳实践来源 6. 知识合成：技术报告（质量+债务+优先级） ``` ### 示例2：技术选型 ```bash 输入：对比 React vs Vue vs Svelte 在企业项目中的优劣 自动流程： 1. 需求收集：对比对象（3个框架）、场景（企业项目） 2. Agent匹配：research-strategist（关键词"对比"） 3. DGoT驱动：广度优先搜索，多角度对比 4. 智能检索：官方文档+技术博客+社区讨论 5. 质量验证：A级（官方文档）+ B级（专家博客） 6. 知识合成：对比表格（多维度评分矩阵） ``` ### 示例3：GitHub项目评估 ```bash 输入：评估 facebook/react 的项目质量和安全风险 自动流程： 1. 需求收集：项目（facebook/react）、关注点（质量+安全） 2. Agent匹配：project-assessor（检测到github.com） 3. DGoT驱动：平衡搜索，质量+安全双维度 4. 项目分析：code-inspector GitHub集成（MCP工具） 5. 安全审计：CVE数据库、依赖树分析 6. 知识合成：技术报告（健康度+安全分+风险评估） ``` ### 示例4：架构评审 ```bash 输入：评审 ./docs/architecture.md 的架构设计 自动流程： 1. 需求收集：设计文档路径、评审重点（可扩展性） 2. Agent匹配：architecture-advisor（关键词"架构"） 3. DGoT驱动：深度优先，架构原则验证 4. 模式识别：识别架构模式（微服务/事件驱动） 5. 原则验证：SOLID、DRY、KISS验证 6. 知识合成：技术报告（评审+建议+重构路径） ``` ## 进度追踪 实时显示研究进度： ``` [深度研究·技术选型·进行中] ├─ 需求收集：✅ 完成（3个维度） ├─ Agent匹配：✅ research-strategist ├─ DGoT路径生成：🔄 进行中（5/5路径已生成） ├─ 质量评分：⏳ 等待 ├─ 信息检索：⏳ 等待 └─ 知识合成：⏳ 等待 预计完成时间：2-3分钟 预计成本：$0.15（基于DGoT优化） ``` ## 循环终止条件 自动判断何时完成： 1. **信息完整**：所有关键维度已收集 2. **质量达标**：≥80%的发现有B级以上来源支持 3. **目标达成**：研究问题已充分回答 4. **用户确认**：最终报告获得用户认可 ## 最佳实践 - 提供具体的研究目标（避免"优化代码"这类模糊描述） - 明确输出格式和受众（技术报告 vs 演示文稿） - 说明约束条件（时间/成本/技术栈限制） - 对比分析时明确对比对象和维度 - 复杂任务可分阶段执行（先概念理解，再深入分析） ## 与旧架构对比 | 维度 | 旧架构 | 新架构（2026） | |------|--------|---------------| | 需求收集 | 重复2次 | 单次智能收集 | | Agent选择 | 用户手动 | 自动匹配 | | 成本优化 | 无 | DGoT动态裁剪（-50%） | | 检索精度 | 传统RAG | Agentic RAG（99%） | | 交互次数 | 10+次 | 5-8次 | | 平均耗时 | 8-10分钟 | 4-6分钟 |