first commit

tests/EXECUTION_ANALYSIS.md

@@ -0,0 +1,530 @@
+# 智能深度研究系统 - 执行过程详细分析
+
+**基于**: `llm_calls_20251031_150543.json`
+**测试问题**: "Python asyncio最佳实践"
+**深度模式**: quick
+**总LLM调用次数**: 5次
+**总耗时**: 49.49秒
+
+---
+
+## 整体架构回顾
+
+```
+┌─────────────────────────────────────────────────────────────┐
+│                    LangGraph 执行引擎                        │
+│  (持续调用Agent直到任务完成或无工具调用)                     │
+└─────────────────────────────────────────────────────────────┘
+                            │
+                            ▼
+┌─────────────────────────────────────────────────────────────┐
+│            ResearchCoordinator (主Agent)                    │
+│  - 协调整个研究流程                                          │
+│  - 通过虚拟文件系统管理状态                                  │
+│  - 使用task工具调用SubAgent                                 │
+└─────────────────────────────────────────────────────────────┘
+                            │
+                            ▼
+┌─────────────────────────────────────────────────────────────┐
+│                   虚拟文件系统 (State)                       │
+│  - /question.txt                                            │
+│  - /config.json                                             │
+│  - /search_queries.json                                     │
+│  - /iteration_N/*.json                                      │
+└─────────────────────────────────────────────────────────────┘
+                            │
+                            ▼
+┌─────────────────────────────────────────────────────────────┐
+│                 6个SubAgent (通过task调用)                   │
+│  1. intent-analyzer       4. content-analyzer               │
+│  2. search-orchestrator   5. confidence-evaluator           │
+│  3. source-validator      6. report-generator               │
+└─────────────────────────────────────────────────────────────┘
+```
+
+---
+
+## 详细执行流程分析
+
+### 🔵 LLM调用 #1 - 主Agent初始化 (步骤1)
+
+**时间**: 15:04:53 → 15:05:01 (8秒)
+**执行者**: ResearchCoordinator (主Agent)
+**Token消耗**: 输入5,920 + 输出103 = 6,023 tokens
+
+#### 输入
+```
+[SystemMessage] 完整的系统提示词
+  - 研究问题: "Python asyncio最佳实践"
+  - 7步执行流程说明
+  - 重要提示: write_file和task不能在同一个响应中调用
+
+[HumanMessage] "请开始研究这个问题：Python asyncio最佳实践"
+```
+
+#### 主Agent的思考过程
+根据系统提示词，主Agent理解到：
+1. 需要先执行步骤1：初始化虚拟文件系统
+2. 写入`/question.txt`和`/config.json`
+3. **不能**在同一响应中调用task工具
+
+#### 输出
+```json
+{
+  "tool_calls": [
+    {
+      "name": "write_file",
+      "file_path": "/question.txt",
+      "content": "Python asyncio最佳实践"
+    },
+    {
+      "name": "write_file",
+      "file_path": "/config.json",
+      "content": "{\"depth_mode\": \"quick\", \"report_format\": \"technical\", ...}"
+    }
+  ]
+}
+```
+
+#### 关键点
+- ✅ 主Agent **只**调用了write_file，没有调用task
+- ✅ 两个文件被并行写入
+- 🔄 LangGraph看到有工具调用，会继续执行下一轮
+
+#### State更新
+```
+虚拟文件系统:
+├── /question.txt ✅ (新增)
+└── /config.json ✅ (新增)
+```
+
+---
+
+### 🔵 LLM调用 #2 - 主Agent启动SubAgent (步骤2)
+
+**时间**: 15:05:01 → 15:05:06 (4.5秒)
+**执行者**: ResearchCoordinator (主Agent)
+**Token消耗**: 输入6,046 + 输出69 = 6,115 tokens
+
+#### 输入
+```
+[SystemMessage] 完整的系统提示词 (相同)
+
+[HumanMessage] "请开始研究这个问题：Python asyncio最佳实践"
+
+[AIMessage] 之前的响应 (write_file × 2)
+
+[ToolMessage] "Updated file /question.txt" ✅
+[ToolMessage] "Updated file /config.json" ✅
+```
+
+#### 主Agent的思考过程
+主Agent看到：
+1. 两个文件已成功写入（ToolMessage确认）
+2. 步骤1已完成，应该进入步骤2
+3. 现在可以调用task工具启动intent-analyzer
+
+#### 输出
+```json
+{
+  "content": "已将研究问题和配置写入虚拟文件系统。现在，我将调用 `intent-analyzer` SubAgent 来分析研究问题并生成搜索查询。",
+  "tool_calls": [
+    {
+      "name": "task",
+      "args": {
+        "description": "分析研究问题并生成搜索查询",
+        "subagent_type": "intent-analyzer"
+      }
+    }
+  ]
+}
+```
+
+#### 关键点
+- ✅ 主Agent在**独立的响应**中调用task
+- ✅ 此时虚拟文件系统已包含两个文件
+- 🚀 task工具触发SubAgent创建和执行
+
+---
+
+### 🔵 LLM调用 #3 - SubAgent读取文件
+
+**时间**: 15:05:06 → 15:05:08 (2.7秒)
+**执行者**: intent-analyzer (SubAgent)
+**Token消耗**: 输入2,724 + 输出49 = 2,773 tokens
+
+#### 输入
+```
+[SystemMessage] intent-analyzer的专用系统提示词
+  - 任务: 分析问题并生成搜索查询
+  - 需要读取: /question.txt, /config.json
+  - 需要输出: /search_queries.json
+
+[HumanMessage] "分析研究问题并生成搜索查询"
+```
+
+#### SubAgent的思考过程
+SubAgent按照提示词：
+1. 需要先读取输入文件
+2. 使用ls查看文件系统结构
+3. 使用read_file读取两个文件
+
+#### 输出
+```json
+{
+  "tool_calls": [
+    {"name": "ls"},
+    {"name": "read_file", "file_path": "/question.txt"},
+    {"name": "read_file", "file_path": "/config.json"}
+  ]
+}
+```
+
+#### 关键机制解析
+
+**🔑 核心问题：SubAgent如何访问主Agent写入的文件？**
+
+根据DeepAgents源码 (`deepagents/middleware/subagents.py:332`):
+```python
+def _validate_and_prepare_state(subagent_type, description, runtime):
+    # 创建SubAgent的state，从主Agent的state复制
+    subagent_state = {
+        k: v for k, v in runtime.state.items()
+        if k not in ("messages", "todos")  # 排除这两个键
+    }
+    subagent_state["messages"] = [HumanMessage(content=description)]
+    return subagent, subagent_state
+```
+
+**执行时序**:
+```
+1. 主Agent调用 #1: write_file × 2
+   → 返回 Command(update={"files": {...}})
+
+2. LangGraph应用State更新
+   → runtime.state["files"] = {
+        "/question.txt": {...},
+        "/config.json": {...}
+      }
+
+3. 主Agent调用 #2: task(...)
+   → task工具内部调用 _validate_and_prepare_state()
+   → 复制 runtime.state (包括files) 给SubAgent
+
+4. SubAgent启动时，state中已包含这两个文件 ✅
+```
+
+这就是为什么**必须分两个响应**：
+- ❌ 如果在同一响应中调用write_file和task，两个工具会**并行**执行
+- ❌ 当task开始复制state时，write_file的更新还没被应用
+- ✅ 分两个响应后，第二次调用时state已包含更新
+
+---
+
+### 🔵 LLM调用 #4 - SubAgent分析并生成查询
+
+**时间**: 15:05:08 → 15:05:28 (19.4秒)
+**执行者**: intent-analyzer (SubAgent)
+**Token消耗**: 输入2,861 + 输出404 = 3,265 tokens
+
+#### 输入
+```
+[SystemMessage] intent-analyzer的系统提示词
+
+[HumanMessage] "分析研究问题并生成搜索查询"
+
+[AIMessage] 之前的工具调用 (ls, read_file × 2)
+
+[ToolMessage] "[\"/question.txt\", \"/config.json\"]" ✅
+
+[ToolMessage] "     1\tPython asyncio最佳实践" ✅
+
+[ToolMessage] "     1\t{\"depth_mode\": \"quick\", ...}" ✅
+```
+
+#### SubAgent的思考过程
+SubAgent成功读取到文件内容：
+1. **问题**: "Python asyncio最佳实践"
+2. **配置**: quick模式 → 生成3个查询
+3. **领域分析**: 技术（编程）
+4. **查询策略**: 基础概念 + 最佳实践 + 实现细节
+
+#### 输出
+```json
+{
+  "content": "已经读取了原始研究问题和配置文件。研究问题是关于...",
+  "tool_calls": [
+    {
+      "name": "write_file",
+      "file_path": "/search_queries.json",
+      "content": "{\n    \"original_question\": \"Python asyncio最佳实践\",\n    \"queries\": [\n        {\"query\": \"What is Python asyncio and how does it work?\", ...},\n        {\"query\": \"Best practices for using Python asyncio\", ...},\n        {\"query\": \"How to implement best practices with Python asyncio in real projects\", ...}\n    ]\n}"
+    }
+  ]
+}
+```
+
+#### 生成的3个搜索查询
+1. **基础概念**: "What is Python asyncio and how does it work?"
+2. **最佳实践**: "Best practices for using Python asyncio"
+3. **实现细节**: "How to implement best practices with Python asyncio in real projects"
+
+#### State更新
+```
+虚拟文件系统:
+├── /question.txt
+├── /config.json
+└── /search_queries.json ✅ (新增，SubAgent写入)
+```
+
+---
+
+### 🔵 LLM调用 #5 - SubAgent完成并返回
+
+**时间**: 15:05:28 → 15:05:43 (14.6秒)
+**执行者**: intent-analyzer (SubAgent)
+**Token消耗**: 输入3,278 + 输出241 = 3,519 tokens
+
+#### 输入
+```
+[SystemMessage] intent-analyzer的系统提示词
+
+[HumanMessage] "分析研究问题并生成搜索查询"
+
+[之前的所有消息和工具调用...]
+
+[ToolMessage] "Updated file /search_queries.json" ✅
+```
+
+#### SubAgent的思考过程
+SubAgent看到：
+1. 文件已成功写入
+2. 任务已完成（生成了3个查询）
+3. 可以总结并返回结果
+
+#### 输出
+```json
+{
+  "content": "搜索查询已成功生成并写入`/search_queries.json`文件中。以下是生成的搜索查询：\n\n- **原始问题**: Python asyncio最佳实践\n- **领域**: 技术（编程）\n...",
+  "tool_calls": []  // ← 空数组，没有更多工具调用
+}
+```
+
+#### 关键点
+- ✅ SubAgent没有工具调用（tool_calls为空）
+- 🔄 LangGraph检测到SubAgent完成，返回结果给主Agent
+- 📦 SubAgent的state更新（包括/search_queries.json）合并回主Agent
+
+#### SubAgent返回机制
+根据`deepagents/middleware/subagents.py:316-323`:
+```python
+def _return_command_with_state_update(result, tool_call_id):
+    # 排除messages和todos，其他state都返回给主Agent
+    state_update = {
+        k: v for k, v in result.items()
+        if k not in ("messages", "todos")
+    }
+    return Command(update={
+        **state_update,  # files会被合并
+        "messages": [ToolMessage(result["messages"][-1].text, tool_call_id)]
+    })
+```
+
+#### 最终State
+```
+虚拟文件系统 (主Agent):
+├── /question.txt         (主Agent写入)
+├── /config.json          (主Agent写入)
+└── /search_queries.json  (SubAgent写入，已合并) ✅
+```
+
+---
+
+## 执行流程图
+
+```mermaid
+sequenceDiagram
+    participant User
+    participant LangGraph
+    participant 主Agent
+    participant State as 虚拟文件系统
+    participant SubAgent as intent-analyzer
+
+    User->>LangGraph: "研究: Python asyncio最佳实践"
+
+    Note over LangGraph,主Agent: 🔵 LLM调用 #1 (8秒)
+    LangGraph->>主Agent: SystemMessage + HumanMessage
+    主Agent->>主Agent: 理解: 需执行步骤1 - 初始化
+    主Agent->>State: write_file(/question.txt)
+    主Agent->>State: write_file(/config.json)
+    State-->>主Agent: ToolMessage × 2
+
+    Note over LangGraph,State: State更新: files包含2个文件
+
+    Note over LangGraph,主Agent: 🔵 LLM调用 #2 (4.5秒)
+    LangGraph->>主Agent: 之前的消息 + ToolMessage
+    主Agent->>主Agent: 理解: 步骤1完成，进入步骤2
+    主Agent->>LangGraph: task(intent-analyzer)
+
+    Note over LangGraph,SubAgent: task工具复制state给SubAgent
+    LangGraph->>SubAgent: 创建SubAgent (state包含2个文件)
+
+    Note over LangGraph,SubAgent: 🔵 LLM调用 #3 (2.7秒)
+    LangGraph->>SubAgent: SystemMessage + HumanMessage
+    SubAgent->>SubAgent: 理解: 需读取输入文件
+    SubAgent->>State: ls()
+    SubAgent->>State: read_file(/question.txt)
+    SubAgent->>State: read_file(/config.json)
+    State-->>SubAgent: ToolMessage × 3 ✅ 文件存在!
+
+    Note over LangGraph,SubAgent: 🔵 LLM调用 #4 (19.4秒)
+    LangGraph->>SubAgent: 之前的消息 + ToolMessage
+    SubAgent->>SubAgent: 分析问题，生成3个查询
+    SubAgent->>State: write_file(/search_queries.json)
+    State-->>SubAgent: ToolMessage
+
+    Note over LangGraph,SubAgent: 🔵 LLM调用 #5 (14.6秒)
+    LangGraph->>SubAgent: 之前的消息 + ToolMessage
+    SubAgent->>SubAgent: 理解: 任务完成
+    SubAgent-->>LangGraph: 无工具调用 (完成)
+
+    Note over LangGraph,State: SubAgent state合并回主Agent
+    LangGraph->>主Agent: ToolMessage (SubAgent结果)
+
+    Note over 主Agent: 继续步骤3...
+    主Agent-->>User: (测试在此停止)
+```
+
+---
+
+## Token消耗分析
+
+| 调用 | 执行者 | 输入Token | 输出Token | 总计 | 占比 |
+|------|--------|-----------|-----------|------|------|
+| #1 | 主Agent | 5,920 | 103 | 6,023 | 31.2% |
+| #2 | 主Agent | 6,046 | 69 | 6,115 | 31.7% |
+| #3 | SubAgent | 2,724 | 49 | 2,773 | 14.4% |
+| #4 | SubAgent | 2,861 | 404 | 3,265 | 16.9% |
+| #5 | SubAgent | 3,278 | 241 | 3,519 | 18.2% |
+| **总计** | | **20,829** | **866** | **19,295** | **100%** |
+
+**关键观察**:
+- 主Agent的Token消耗主要在系统提示词（非常详细）
+- SubAgent的输入Token较少（专用提示词更简洁）
+- 输出Token主要用于JSON生成（调用#4）
+
+---
+
+## 关键技术要点总结
+
+### ✅ 成功解决的问题
+
+1. **虚拟文件系统共享**
+   - SubAgent能成功读取主Agent写入的文件
+   - 通过state复制机制实现
+
+2. **工具调用顺序**
+   - write_file在第一个响应
+   - task在第二个响应
+   - 确保state更新已应用
+
+3. **SubAgent生命周期**
+   - 创建 → 接收任务描述
+   - 执行 → 读取文件、处理、写入结果
+   - 返回 → state合并回主Agent
+
+### 🎯 设计亮点
+
+1. **声明式流程控制**
+   - 通过系统提示词定义流程
+   - 不使用Python while循环
+   - LLM自主决策下一步
+
+2. **文件驱动的状态管理**
+   - 所有状态通过虚拟文件系统
+   - 跨Agent通信通过文件
+   - 易于调试和追踪
+
+3. **降级运行策略**
+   - 部分失败不影响整体
+   - 提示词中明确说明
+
+---
+
+## 后续步骤预测
+
+如果测试继续运行，预期流程：
+
+```
+✅ 步骤1: 初始化 (已完成)
+✅ 步骤2: 意图分析 (已完成)
+⏭️  步骤3.1: 并行搜索
+   - 主Agent调用search-orchestrator
+   - 使用Tavily API搜索3个查询
+   - 写入/iteration_1/search_results.json
+
+⏭️  步骤3.2: 来源验证
+   - 主Agent调用source-validator
+   - Tier 1-4分级
+   - 写入/iteration_1/sources.json
+
+⏭️  步骤3.3: 内容分析
+   - 主Agent调用content-analyzer
+   - 提取信息，交叉验证
+   - 写入/iteration_1/findings.json
+
+⏭️  步骤3.4: 置信度评估
+   - 主Agent调用confidence-evaluator
+   - 计算置信度 (50%+30%+20%)
+   - 写入/iteration_decision.json
+   - 决策: FINISH 或 CONTINUE
+
+⏭️  步骤7: 报告生成
+   - 主Agent调用report-generator
+   - 读取所有iteration数据
+   - 写入/final_report.md
+```
+
+---
+
+## 性能优化建议
+
+基于当前执行情况：
+
+1. **系统提示词优化**
+   - 主Agent的提示词非常长（5,920 tokens）
+   - 可以精简部分重复说明
+   - 预期节省 ~20% Token
+
+2. **并行SubAgent调用**
+   - 当前是串行：步骤3.1 → 3.2 → 3.3
+   - 某些步骤可以并行（如果依赖允许）
+   - 预期减少 30-40% 时间
+
+3. **缓存机制**
+   - 相同问题的搜索结果可缓存
+   - 减少API调用次数
+
+---
+
+## 总结
+
+✅ **测试成功证明**:
+- 虚拟文件系统在主Agent和SubAgent之间正确共享
+- 工具调用顺序控制有效
+- 基于提示词的流程控制可行
+
+🎯 **下一步工作**:
+1. 完成剩余SubAgent的测试
+2. 实现完整的端到端流程
+3. 添加错误处理和降级策略
+4. 性能优化
+
+📊 **当前进度**: 2/7步 (28.6%)
+- ✅ 步骤1: 初始化
+- ✅ 步骤2: 意图分析
+- ⏳ 步骤3-7: 待实现
+
+---
+
+**生成时间**: 2025-10-31
+**测试数据**: `llm_calls_20251031_150543.json`

tests/analyze_llm_calls.py

@@ -0,0 +1,156 @@
+"""
+分析LLM调用记录
+
+使用方法：
+    python tests/analyze_llm_calls.py tests/llm_calls_20251031_150543.json
+"""
+
+import sys
+import json
+
+
+def analyze_llm_calls(json_file):
+    """分析LLM调用记录"""
+    with open(json_file, 'r', encoding='utf-8') as f:
+        data = json.load(f)
+
+    print("\n" + "="*80)
+    print("LLM调用分析报告")
+    print("="*80)
+
+    print(f"\n总调用次数: {data['total_calls']}")
+
+    for i, call in enumerate(data['calls'], 1):
+        print(f"\n{'─'*80}")
+        print(f"调用 #{i}")
+        print('─'*80)
+
+        # 时间信息
+        start = call.get('timestamp_start', 'N/A')
+        end = call.get('timestamp_end', 'N/A')
+        print(f"时间: {start} -> {end}")
+
+        # 消息数
+        messages = call.get('messages', [[]])
+        if messages:
+            msg_count = len(messages[0])
+            print(f"输入消息数: {msg_count}")
+
+            # 显示最后一条消息类型
+            if messages[0]:
+                last_msg = messages[0][-1]
+                print(f"最后一条输入消息: {last_msg['type']}")
+
+        # 响应信息
+        response = call.get('response', {})
+        generations = response.get('generations', [])
+
+        if generations:
+            gen = generations[0]
+            msg = gen.get('message', {})
+
+            print(f"响应类型: {msg.get('type', 'N/A')}")
+
+            # 内容
+            content = msg.get('content', '')
+            if content:
+                preview = content[:100].replace('\n', ' ')
+                print(f"响应内容: {preview}...")
+
+            # 工具调用
+            tool_calls = msg.get('tool_calls', [])
+            if tool_calls:
+                print(f"工具调用: {len(tool_calls)} 个")
+                for tc in tool_calls:
+                    print(f"  - {tc['name']}")
+            else:
+                print("工具调用: 无")
+
+        # Token使用
+        llm_output = response.get('llm_output', {})
+        token_usage = llm_output.get('token_usage', {})
+        if token_usage:
+            print(f"Token使用: {token_usage.get('prompt_tokens', 0)} input + {token_usage.get('completion_tokens', 0)} output = {token_usage.get('total_tokens', 0)} total")
+
+    print("\n" + "="*80)
+    print("执行流程总结")
+    print("="*80)
+
+    # 分析执行流程
+    call_summaries = []
+    for i, call in enumerate(data['calls'], 1):
+        response = call.get('response', {})
+        generations = response.get('generations', [])
+
+        if generations:
+            msg = generations[0].get('message', {})
+            tool_calls = msg.get('tool_calls', [])
+
+            if tool_calls:
+                tools = [tc['name'] for tc in tool_calls]
+                call_summaries.append(f"调用#{i}: {', '.join(tools)}")
+            else:
+                content_preview = msg.get('content', '')[:50].replace('\n', ' ')
+                call_summaries.append(f"调用#{i}: 返回文本 ({content_preview}...)")
+
+    for summary in call_summaries:
+        print(f"  {summary}")
+
+    # 判断是否完成
+    print("\n" + "="*80)
+    print("状态判断")
+    print("="*80)
+
+    last_call = data['calls'][-1]
+    last_response = last_call.get('response', {})
+    last_generations = last_response.get('generations', [])
+
+    if last_generations:
+        last_msg = last_generations[0].get('message', {})
+        last_tool_calls = last_msg.get('tool_calls', [])
+
+        if not last_tool_calls:
+            print("⚠️  最后一次调用没有工具调用")
+            print("原因: SubAgent返回了纯文本响应，导致主Agent停止")
+            print("影响: Agent停止执行，未完成完整流程")
+            print("\n预期行为: 主Agent应该继续执行步骤3（并行搜索）")
+        else:
+            print("✅ 最后一次调用有工具调用，流程继续")
+    else:
+        print("❌ 无法判断状态")
+
+    # 检查是否完成意图分析
+    search_queries_created = False
+    for call in data['calls']:
+        response = call.get('response', {})
+        generations = response.get('generations', [])
+        if generations:
+            msg = generations[0].get('message', {})
+            tool_calls = msg.get('tool_calls', [])
+            for tc in tool_calls:
+                if tc['name'] == 'write_file' and '/search_queries.json' in str(tc.get('args', {})):
+                    search_queries_created = True
+
+    print("\n" + "="*80)
+    print("步骤完成情况")
+    print("="*80)
+    print(f"✅ 步骤1: 初始化 - 已完成 (/question.txt, /config.json)")
+    print(f"✅ 步骤2: 意图分析 - {'已完成' if search_queries_created else '未完成'} (/search_queries.json)")
+    print(f"❌ 步骤3: 并行搜索 - 未开始")
+    print(f"❌ 后续步骤 - 未开始")
+
+    print("\n" + "="*80)
+    print("建议")
+    print("="*80)
+    print("1. 问题根源: intent-analyzer SubAgent完成后返回纯文本，导致主Agent停止")
+    print("2. 解决方案: 修改主Agent的系统提示词，明确要求在SubAgent返回后继续执行下一步")
+    print("3. 或者: 检查LangGraph的recursion_limit配置，确保允许足够的步骤数")
+
+
+if __name__ == "__main__":
+    if len(sys.argv) < 2:
+        print("使用方法: python analyze_llm_calls.py <json_file>")
+        sys.exit(1)
+
+    json_file = sys.argv[1]
+    analyze_llm_calls(json_file)

tests/debug_llm_calls.py

@@ -0,0 +1,308 @@
+"""
+记录LLM调用的详细信息 - 保存为JSON文件
+
+使用方法：
+    export PYTHONIOENCODING=utf-8 && python tests/debug_llm_calls.py
+"""
+
+import sys
+import os
+import json
+from datetime import datetime
+from typing import Any, Dict, List
+from uuid import UUID
+
+# 添加项目根目录到Python路径
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from langchain_core.callbacks import BaseCallbackHandler
+from langchain_core.messages import BaseMessage
+from langchain_core.outputs import LLMResult
+
+from src.agents.coordinator import create_research_coordinator
+from src.config import Config
+
+
+class LLMCallLogger(BaseCallbackHandler):
+    """记录所有LLM调用的回调处理器"""
+
+    def __init__(self):
+        self.calls: List[Dict[str, Any]] = []
+        self.current_call = None
+        self.call_count = 0
+
+    def on_llm_start(
+        self, serialized: Dict[str, Any], prompts: List[str], **kwargs: Any
+    ) -> None:
+        """LLM开始时调用"""
+        self.call_count += 1
+        self.current_call = {
+            "call_id": self.call_count,
+            "timestamp_start": datetime.now().isoformat(),
+            "prompts": prompts,
+            "kwargs": {k: str(v) for k, v in kwargs.items() if k != "invocation_params"},
+        }
+        print(f"\n{'='*80}")
+        print(f"🔵 LLM调用 #{self.call_count} 开始 - {datetime.now().strftime('%H:%M:%S')}")
+        print('='*80)
+        if prompts:
+            print(f"Prompt长度: {len(prompts[0])} 字符")
+            print(f"Prompt预览: {prompts[0][:200]}...")
+
+    def on_chat_model_start(
+        self,
+        serialized: Dict[str, Any],
+        messages: List[List[BaseMessage]],
+        **kwargs: Any
+    ) -> None:
+        """Chat模型开始时调用"""
+        self.call_count += 1
+        self.current_call = {
+            "call_id": self.call_count,
+            "timestamp_start": datetime.now().isoformat(),
+            "messages": [
+                [
+                    {
+                        "type": type(msg).__name__,
+                        "content": msg.content if hasattr(msg, 'content') else str(msg),
+                        "tool_calls": getattr(msg, 'tool_calls', None)
+                    }
+                    for msg in msg_list
+                ]
+                for msg_list in messages
+            ],
+            "kwargs": {k: str(v) for k, v in kwargs.items() if k not in ["invocation_params", "tags", "metadata"]},
+        }
+        print(f"\n{'='*80}")
+        print(f"🔵 Chat模型调用 #{self.call_count} 开始 - {datetime.now().strftime('%H:%M:%S')}")
+        print('='*80)
+        if messages:
+            print(f"消息数量: {len(messages[0])}")
+            for i, msg in enumerate(messages[0][-3:], 1):
+                msg_type = type(msg).__name__
+                print(f"  {i}. {msg_type}: {str(msg.content)[:100] if hasattr(msg, 'content') else 'N/A'}...")
+
+    def on_llm_end(self, response: LLMResult, **kwargs: Any) -> None:
+        """LLM结束时调用"""
+        if self.current_call:
+            self.current_call["timestamp_end"] = datetime.now().isoformat()
+
+            # 提取响应
+            generations = []
+            for gen_list in response.generations:
+                for gen in gen_list:
+                    gen_info = {
+                        "text": gen.text if hasattr(gen, 'text') else None,
+                    }
+                    if hasattr(gen, 'message'):
+                        msg = gen.message
+                        gen_info["message"] = {
+                            "type": type(msg).__name__,
+                            "content": msg.content if hasattr(msg, 'content') else None,
+                            "tool_calls": [
+                                {
+                                    "name": tc.get("name"),
+                                    "args": tc.get("args"),
+                                    "id": tc.get("id")
+                                }
+                                for tc in (msg.tool_calls if hasattr(msg, 'tool_calls') and msg.tool_calls else [])
+                            ] if hasattr(msg, 'tool_calls') else None
+                        }
+                    generations.append(gen_info)
+
+            self.current_call["response"] = {
+                "generations": generations,
+                "llm_output": response.llm_output,
+            }
+
+            self.calls.append(self.current_call)
+
+            print(f"\n✅ LLM调用 #{self.current_call['call_id']} 完成")
+            if generations:
+                gen = generations[0]
+                if gen.get("message"):
+                    msg = gen["message"]
+                    print(f"响应类型: {msg['type']}")
+                    if msg.get('content'):
+                        print(f"内容: {msg['content'][:150]}...")
+                    if msg.get('tool_calls'):
+                        print(f"工具调用: {len(msg['tool_calls'])} 个")
+                        for tc in msg['tool_calls'][:3]:
+                            print(f"  - {tc['name']}")
+
+            self.current_call = None
+
+    def on_llm_error(self, error: Exception, **kwargs: Any) -> None:
+        """LLM出错时调用"""
+        if self.current_call:
+            self.current_call["timestamp_end"] = datetime.now().isoformat()
+            self.current_call["error"] = str(error)
+            self.calls.append(self.current_call)
+            print(f"\n❌ LLM调用 #{self.current_call['call_id']} 出错: {error}")
+            self.current_call = None
+
+    def save_to_file(self, filepath: str):
+        """保存记录到JSON文件"""
+        with open(filepath, 'w', encoding='utf-8') as f:
+            json.dump({
+                "total_calls": len(self.calls),
+                "calls": self.calls
+            }, f, ensure_ascii=False, indent=2)
+        print(f"\n💾 已保存 {len(self.calls)} 次LLM调用记录到: {filepath}")
+
+
+def test_with_llm_logging(question: str, depth: str = "quick", max_steps: int = 10):
+    """
+    测试研究流程，记录所有LLM调用
+
+    Args:
+        question: 研究问题
+        depth: 深度模式
+        max_steps: 最大执行步骤数（防止无限循环）
+    """
+    print("\n" + "🔬 " * 40)
+    print("智能深度研究系统 - LLM调用记录模式")
+    print("🔬 " * 40)
+
+    print(f"\n研究问题: {question}")
+    print(f"深度模式: {depth}")
+    print(f"最大步骤数: {max_steps}")
+    print(f"开始时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+
+    # 创建日志记录器
+    logger = LLMCallLogger()
+
+    # 创建Agent（带callback）
+    print("\n" + "="*80)
+    print("创建Agent...")
+    print("="*80)
+
+    try:
+        # 获取LLM并添加callback
+        llm = Config.get_llm()
+        llm.callbacks = [logger]
+
+        # 创建Agent
+        agent = create_research_coordinator(
+            question=question,
+            depth=depth,
+            format="technical",
+            min_tier=3
+        )
+        print("✅ Agent创建成功")
+    except Exception as e:
+        print(f"❌ Agent创建失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return
+
+    # 执行研究
+    print("\n" + "="*80)
+    print(f"执行研究流程（最多{max_steps}步）...")
+    print("="*80)
+
+    try:
+        start_time = datetime.now()
+        step_count = 0
+
+        # 使用stream模式，但限制步骤数
+        for chunk in agent.stream(
+            {
+                "messages": [
+                    {
+                        "role": "user",
+                        "content": f"请开始研究这个问题：{question}"
+                    }
+                ]
+            },
+            config={"callbacks": [logger]}
+        ):
+            step_count += 1
+            print(f"\n{'─'*80}")
+            print(f"📍 步骤 #{step_count} - {datetime.now().strftime('%H:%M:%S')}")
+            print('─'*80)
+
+            # 显示state更新
+            if isinstance(chunk, dict):
+                if 'messages' in chunk:
+                    print(f"  消息: {len(chunk['messages'])} 条")
+                if 'files' in chunk:
+                    print(f"  文件: {len(chunk['files'])} 个")
+                    for path in list(chunk['files'].keys())[:3]:
+                        print(f"    - {path}")
+
+            # 限制步骤数
+            if step_count >= max_steps:
+                print(f"\n⚠️  达到最大步骤数 {max_steps}，停止执行")
+                break
+
+            # 超时保护
+            elapsed = (datetime.now() - start_time).total_seconds()
+            if elapsed > 120:  # 2分钟
+                print(f"\n⚠️  超过2分钟，停止执行")
+                break
+
+        end_time = datetime.now()
+        duration = (end_time - start_time).total_seconds()
+
+        print("\n" + "="*80)
+        print("执行结束")
+        print("="*80)
+        print(f"总步骤数: {step_count}")
+        print(f"LLM调用次数: {len(logger.calls)}")
+        print(f"总耗时: {duration:.2f}秒")
+
+    except KeyboardInterrupt:
+        print("\n\n⚠️  用户中断")
+    except Exception as e:
+        print(f"\n\n❌ 执行失败: {e}")
+        import traceback
+        traceback.print_exc()
+    finally:
+        # 保存日志
+        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+        output_dir = "tests"
+        os.makedirs(output_dir, exist_ok=True)
+
+        log_file = os.path.join(output_dir, f"llm_calls_{timestamp}.json")
+        logger.save_to_file(log_file)
+
+        # 也保存一份摘要
+        summary_file = os.path.join(output_dir, f"llm_calls_summary_{timestamp}.txt")
+        with open(summary_file, 'w', encoding='utf-8') as f:
+            f.write(f"LLM调用记录摘要\n")
+            f.write(f"{'='*80}\n\n")
+            f.write(f"总调用次数: {len(logger.calls)}\n")
+            f.write(f"执行时长: {duration:.2f}秒\n\n")
+
+            for i, call in enumerate(logger.calls, 1):
+                f.write(f"\n{'─'*80}\n")
+                f.write(f"调用 #{i}\n")
+                f.write(f"{'─'*80}\n")
+                f.write(f"开始: {call['timestamp_start']}\n")
+                f.write(f"结束: {call.get('timestamp_end', 'N/A')}\n")
+
+                if 'messages' in call:
+                    f.write(f"消息数: {len(call['messages'][0]) if call['messages'] else 0}\n")
+
+                if 'response' in call:
+                    gens = call['response'].get('generations', [])
+                    if gens:
+                        gen = gens[0]
+                        if gen.get('message'):
+                            msg = gen['message']
+                            f.write(f"响应类型: {msg['type']}\n")
+                            if msg.get('tool_calls'):
+                                f.write(f"工具调用: {[tc['name'] for tc in msg['tool_calls']]}\n")
+
+                if 'error' in call:
+                    f.write(f"错误: {call['error']}\n")
+
+        print(f"📄 摘要已保存到: {summary_file}")
+
+
+if __name__ == "__main__":
+    question = "Python asyncio最佳实践"
+
+    # 只执行前几步，不做完整research
+    test_with_llm_logging(question, depth="quick", max_steps=10)

tests/debug_research.py

@@ -0,0 +1,190 @@
+"""
+调试研究流程 - 详细追踪Agent执行情况
+
+使用方法：
+    export PYTHONIOENCODING=utf-8 && python tests/debug_research.py
+"""
+
+import sys
+import os
+import json
+from datetime import datetime
+
+# 添加项目根目录到Python路径
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from src.agents.coordinator import create_research_coordinator
+from src.config import Config
+
+
+def print_step(step_num: int, title: str):
+    """打印步骤标题"""
+    print("\n" + "="*80)
+    print(f"步骤 {step_num}: {title}")
+    print("="*80)
+
+
+def print_substep(title: str):
+    """打印子步骤"""
+    print(f"\n>>> {title}")
+    print("-"*60)
+
+
+def print_file_content(file_path: str, content: any, max_length: int = 500):
+    """打印文件内容"""
+    print(f"\n📄 文件: {file_path}")
+    if isinstance(content, dict) or isinstance(content, list):
+        content_str = json.dumps(content, ensure_ascii=False, indent=2)
+    else:
+        content_str = str(content)
+
+    if len(content_str) > max_length:
+        print(content_str[:max_length] + "...")
+    else:
+        print(content_str)
+
+
+def debug_research(question: str, depth: str = "quick"):
+    """
+    调试研究流程，显示详细执行日志
+
+    Args:
+        question: 研究问题
+        depth: 深度模式（使用quick模式加快调试）
+    """
+    print("\n" + "🔬 "* 40)
+    print("智能深度研究系统 - 调试模式")
+    print("🔬 " * 40)
+
+    print(f"\n研究问题: {question}")
+    print(f"深度模式: {depth}")
+    print(f"开始时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+
+    # 验证API配置
+    print_step(0, "验证API配置")
+    print(f"DashScope API Key: {Config.DASHSCOPE_API_KEY[:20]}..." if Config.DASHSCOPE_API_KEY else "❌ 未配置")
+    print(f"Tavily API Key: {Config.TAVILY_API_KEY[:20]}..." if Config.TAVILY_API_KEY else "❌ 未配置")
+    print(f"LLM模型: {Config.LLM_MODEL}")
+
+    # 创建Agent
+    print_step(1, "创建ResearchCoordinator Agent")
+    try:
+        agent = create_research_coordinator(
+            question=question,
+            depth=depth,
+            format="technical",
+            min_tier=3
+        )
+        print("✅ Agent创建成功")
+        print(f"Agent类型: {type(agent)}")
+    except Exception as e:
+        print(f"❌ Agent创建失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return
+
+    # 执行研究
+    print_step(2, "执行研究流程")
+    print("调用 agent.invoke() ...")
+    print("注意：这可能需要几分钟，请耐心等待...\n")
+
+    try:
+        # 记录开始时间
+        start_time = datetime.now()
+
+        # 执行Agent
+        result = agent.invoke({
+            "messages": [
+                {
+                    "role": "user",
+                    "content": f"请开始研究这个问题：{question}"
+                }
+            ]
+        })
+
+        # 记录结束时间
+        end_time = datetime.now()
+        duration = (end_time - start_time).total_seconds()
+
+        print_step(3, "执行完成")
+        print(f"✅ 研究完成！")
+        print(f"⏱️  总耗时: {duration:.2f}秒 ({duration/60:.2f}分钟)")
+
+        # 显示结果
+        print_step(4, "结果分析")
+        print(f"结果类型: {type(result)}")
+        print(f"结果键: {result.keys() if isinstance(result, dict) else 'N/A'}")
+
+        # 尝试提取消息
+        if isinstance(result, dict) and 'messages' in result:
+            messages = result['messages']
+            print(f"\n消息数量: {len(messages)}")
+
+            # 显示最后几条消息
+            print("\n最后3条消息:")
+            for i, msg in enumerate(messages[-3:], 1):
+                print(f"\n--- 消息 {i} ---")
+                if hasattr(msg, 'content'):
+                    content = msg.content
+                    if len(content) > 300:
+                        print(content[:300] + "...")
+                    else:
+                        print(content)
+                else:
+                    print(msg)
+
+        # 尝试访问虚拟文件系统
+        print_step(5, "虚拟文件系统检查")
+        print("注意：需要根据DeepAgents实际API来访问虚拟文件系统")
+        print("这部分功能待实现...")
+
+        # 保存完整结果到文件
+        print_step(6, "保存调试结果")
+        output_dir = "outputs/debug"
+        os.makedirs(output_dir, exist_ok=True)
+
+        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+        output_file = os.path.join(output_dir, f"debug_{timestamp}.json")
+
+        debug_data = {
+            "question": question,
+            "depth": depth,
+            "start_time": start_time.isoformat(),
+            "end_time": end_time.isoformat(),
+            "duration_seconds": duration,
+            "result": str(result),  # 转换为字符串以便保存
+        }
+
+        with open(output_file, 'w', encoding='utf-8') as f:
+            json.dump(debug_data, f, ensure_ascii=False, indent=2)
+
+        print(f"✅ 调试结果已保存到: {output_file}")
+
+    except KeyboardInterrupt:
+        print("\n\n⚠️  用户中断执行")
+        print(f"已执行时间: {(datetime.now() - start_time).total_seconds():.2f}秒")
+    except Exception as e:
+        print(f"\n\n❌ 执行失败: {e}")
+        import traceback
+        traceback.print_exc()
+
+        # 保存错误信息
+        output_dir = "outputs/debug"
+        os.makedirs(output_dir, exist_ok=True)
+        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+        error_file = os.path.join(output_dir, f"error_{timestamp}.txt")
+
+        with open(error_file, 'w', encoding='utf-8') as f:
+            f.write(f"Question: {question}\n")
+            f.write(f"Depth: {depth}\n")
+            f.write(f"Error: {str(e)}\n\n")
+            f.write(traceback.format_exc())
+
+        print(f"错误信息已保存到: {error_file}")
+
+
+if __name__ == "__main__":
+    # 使用简单的问题和quick模式进行调试
+    question = "Python asyncio最佳实践"
+
+    debug_research(question, depth="quick")

tests/debug_research_v2.py

@@ -0,0 +1,194 @@
+"""
+调试研究流程 V2 - 检查虚拟文件系统
+
+使用方法：
+    export PYTHONIOENCODING=utf-8 && python tests/debug_research_v2.py
+"""
+
+import sys
+import os
+import json
+from datetime import datetime
+
+# 添加项目根目录到Python路径
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from src.agents.coordinator import create_research_coordinator
+from src.config import Config
+
+
+def debug_research_with_files(question: str, depth: str = "quick"):
+    """
+    调试研究流程，重点检查虚拟文件系统
+
+    Args:
+        question: 研究问题
+        depth: 深度模式
+    """
+    print("\n" + "🔬 " * 40)
+    print("智能深度研究系统 - 调试模式 V2")
+    print("🔬 " * 40)
+
+    print(f"\n研究问题: {question}")
+    print(f"深度模式: {depth}")
+    print(f"开始时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+
+    # 创建Agent
+    print("\n" + "="*80)
+    print("创建ResearchCoordinator Agent")
+    print("="*80)
+
+    try:
+        agent = create_research_coordinator(
+            question=question,
+            depth=depth,
+            format="technical",
+            min_tier=3
+        )
+        print("✅ Agent创建成功")
+    except Exception as e:
+        print(f"❌ Agent创建失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return
+
+    # 执行研究
+    print("\n" + "="*80)
+    print("执行研究流程")
+    print("="*80)
+
+    try:
+        start_time = datetime.now()
+
+        result = agent.invoke({
+            "messages": [
+                {
+                    "role": "user",
+                    "content": f"请开始研究这个问题：{question}"
+                }
+            ]
+        })
+
+        end_time = datetime.now()
+        duration = (end_time - start_time).total_seconds()
+
+        print(f"\n✅ 执行完成！耗时: {duration:.2f}秒")
+
+        # 分析结果
+        print("\n" + "="*80)
+        print("结果分析")
+        print("="*80)
+
+        print(f"\n结果类型: {type(result)}")
+        print(f"结果键: {list(result.keys())}")
+
+        # 检查消息
+        if 'messages' in result:
+            messages = result['messages']
+            print(f"\n📨 消息数量: {len(messages)}")
+
+            print("\n所有消息内容:")
+            for i, msg in enumerate(messages, 1):
+                print(f"\n{'='*60}")
+                print(f"消息 #{i}")
+                print('='*60)
+
+                # 检查消息类型
+                msg_type = type(msg).__name__
+                print(f"类型: {msg_type}")
+
+                # 提取内容
+                if hasattr(msg, 'content'):
+                    content = msg.content
+                    print(f"内容长度: {len(content)} 字符")
+
+                    # 显示内容
+                    if len(content) > 500:
+                        print(f"\n内容预览:\n{content[:500]}...")
+                    else:
+                        print(f"\n完整内容:\n{content}")
+
+                # 检查其他属性
+                if hasattr(msg, 'additional_kwargs'):
+                    kwargs = msg.additional_kwargs
+                    if kwargs:
+                        print(f"\n额外参数: {kwargs}")
+
+                if hasattr(msg, 'tool_calls'):
+                    tool_calls = msg.tool_calls
+                    if tool_calls:
+                        print(f"\n工具调用: {tool_calls}")
+
+        # 检查文件系统
+        if 'files' in result:
+            files = result['files']
+            print("\n" + "="*80)
+            print("虚拟文件系统")
+            print("="*80)
+            print(f"\n📁 文件数量: {len(files)}")
+
+            for file_path, file_info in files.items():
+                print(f"\n{'='*60}")
+                print(f"文件: {file_path}")
+                print('='*60)
+
+                # 显示文件信息
+                if isinstance(file_info, dict):
+                    for key, value in file_info.items():
+                        if key == 'content':
+                            if len(str(value)) > 300:
+                                print(f"{key}: {str(value)[:300]}...")
+                            else:
+                                print(f"{key}: {value}")
+                        else:
+                            print(f"{key}: {value}")
+                else:
+                    if len(str(file_info)) > 300:
+                        print(f"内容: {str(file_info)[:300]}...")
+                    else:
+                        print(f"内容: {file_info}")
+
+        # 保存完整结果
+        print("\n" + "="*80)
+        print("保存调试结果")
+        print("="*80)
+
+        output_dir = "outputs/debug"
+        os.makedirs(output_dir, exist_ok=True)
+        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+
+        # 保存JSON结果
+        output_file = os.path.join(output_dir, f"debug_v2_{timestamp}.json")
+        with open(output_file, 'w', encoding='utf-8') as f:
+            # 序列化结果
+            serialized_result = {
+                "question": question,
+                "depth": depth,
+                "duration_seconds": duration,
+                "messages": [
+                    {
+                        "type": type(msg).__name__,
+                        "content": msg.content if hasattr(msg, 'content') else str(msg)
+                    }
+                    for msg in result.get('messages', [])
+                ],
+                "files": {
+                    path: str(content)
+                    for path, content in result.get('files', {}).items()
+                }
+            }
+            json.dump(serialized_result, f, ensure_ascii=False, indent=2)
+
+        print(f"✅ 调试结果已保存到: {output_file}")
+
+    except KeyboardInterrupt:
+        print("\n\n⚠️  用户中断执行")
+    except Exception as e:
+        print(f"\n\n❌ 执行失败: {e}")
+        import traceback
+        traceback.print_exc()
+
+
+if __name__ == "__main__":
+    question = "Python asyncio最佳实践"
+    debug_research_with_files(question, depth="quick")

tests/debug_with_stream.py

@@ -0,0 +1,129 @@
+"""
+带流式输出的调试脚本 - 实时显示Agent的执行情况
+
+使用方法：
+    export PYTHONIOENCODING=utf-8 && python tests/debug_with_stream.py
+"""
+
+import sys
+import os
+from datetime import datetime
+
+# 添加项目根目录到Python路径
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from src.agents.coordinator import create_research_coordinator
+from src.config import Config
+
+
+def stream_research(question: str, depth: str = "quick"):
+    """
+    调试研究流程，实时显示执行情况
+
+    Args:
+        question: 研究问题
+        depth: 深度模式
+    """
+    print("\n" + "🔬 " * 40)
+    print("智能深度研究系统 - 流式调试模式")
+    print("🔬 " * 40)
+
+    print(f"\n研究问题: {question}")
+    print(f"深度模式: {depth}")
+    print(f"开始时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+
+    # 创建Agent
+    print("\n" + "="*80)
+    print("创建Agent...")
+    print("="*80)
+
+    try:
+        agent = create_research_coordinator(
+            question=question,
+            depth=depth,
+            format="technical",
+            min_tier=3
+        )
+        print("✅ Agent创建成功")
+    except Exception as e:
+        print(f"❌ Agent创建失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return
+
+    # 执行研究（使用stream模式）
+    print("\n" + "="*80)
+    print("开始执行（流式模式）...")
+    print("="*80)
+
+    try:
+        start_time = datetime.now()
+
+        # 使用stream方法实时显示
+        step_count = 0
+        for chunk in agent.stream({
+            "messages": [
+                {
+                    "role": "user",
+                    "content": f"请开始研究这个问题：{question}"
+                }
+            ]
+        }):
+            step_count += 1
+            print(f"\n{'='*60}")
+            print(f"步骤 #{step_count} - {datetime.now().strftime('%H:%M:%S')}")
+            print('='*60)
+
+            # 显示当前chunk的内容
+            if isinstance(chunk, dict):
+                # 检查是否有新消息
+                if 'messages' in chunk:
+                    messages = chunk['messages']
+                    if messages:
+                        last_msg = messages[-1]
+                        msg_type = type(last_msg).__name__
+                        print(f"消息类型: {msg_type}")
+
+                        if hasattr(last_msg, 'content'):
+                            content = last_msg.content
+                            if content:
+                                print(f"内容: {content[:200]}")
+
+                        if hasattr(last_msg, 'tool_calls') and last_msg.tool_calls:
+                            print(f"工具调用:")
+                            for tc in last_msg.tool_calls:
+                                print(f"  - {tc.get('name', 'unknown')}")
+
+                # 检查是否有文件更新
+                if 'files' in chunk:
+                    files = chunk['files']
+                    print(f"文件系统: {len(files)} 个文件")
+                    for path in list(files.keys())[:5]:
+                        print(f"  - {path}")
+
+            # 超时保护
+            elapsed = (datetime.now() - start_time).total_seconds()
+            if elapsed > 120:  # 2分钟
+                print("\n⚠️  超过2分钟，停止...")
+                break
+
+        end_time = datetime.now()
+        duration = (end_time - start_time).total_seconds()
+
+        print("\n" + "="*80)
+        print("执行完成")
+        print("="*80)
+        print(f"总步骤数: {step_count}")
+        print(f"总耗时: {duration:.2f}秒")
+
+    except KeyboardInterrupt:
+        print("\n\n⚠️  用户中断")
+    except Exception as e:
+        print(f"\n\n❌ 执行失败: {e}")
+        import traceback
+        traceback.print_exc()
+
+
+if __name__ == "__main__":
+    question = "Python asyncio最佳实践"
+    stream_research(question, depth="quick")

tests/llm_calls_summary_20251031_150543.txt

@@ -0,0 +1,50 @@
+LLM调用记录摘要
+================================================================================
+
+总调用次数: 5
+执行时长: 49.49秒
+
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #1
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:04:53.546542
+结束: 2025-10-31T15:05:01.620812
+消息数: 2
+响应类型: AIMessage
+工具调用: ['write_file', 'write_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #2
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:05:01.645324
+结束: 2025-10-31T15:05:06.144999
+消息数: 5
+响应类型: AIMessage
+工具调用: ['task']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #3
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:05:06.162121
+结束: 2025-10-31T15:05:08.895694
+消息数: 2
+响应类型: AIMessage
+工具调用: ['ls', 'read_file', 'read_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #4
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:05:08.920379
+结束: 2025-10-31T15:05:28.363429
+消息数: 6
+响应类型: AIMessage
+工具调用: ['write_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #5
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:05:28.383429
+结束: 2025-10-31T15:05:43.011375
+消息数: 8
+响应类型: AIMessage

tests/llm_calls_summary_20251031_155419.txt

@@ -0,0 +1,41 @@
+LLM调用记录摘要
+================================================================================
+
+总调用次数: 4
+执行时长: 10.83秒
+
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #1
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:54:08.326370
+结束: 2025-10-31T15:54:12.078242
+消息数: 2
+响应类型: AIMessage
+工具调用: ['write_file', 'task']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #2
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:54:12.104980
+结束: 2025-10-31T15:54:14.650206
+消息数: 2
+响应类型: AIMessage
+工具调用: ['ls', 'read_file', 'read_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #3
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:54:14.681994
+结束: 2025-10-31T15:54:16.817896
+消息数: 6
+响应类型: AIMessage
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #4
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T15:54:16.836410
+结束: 2025-10-31T15:54:19.120601
+消息数: 5
+响应类型: AIMessage
+工具调用: ['ls']

tests/llm_calls_summary_20251031_160630.txt

@@ -0,0 +1,86 @@
+LLM调用记录摘要
+================================================================================
+
+总调用次数: 9
+执行时长: 63.84秒
+
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #1
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:05:27.194390
+结束: 2025-10-31T16:05:34.197522
+消息数: 2
+响应类型: AIMessage
+工具调用: ['write_file', 'write_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #2
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:05:34.227598
+结束: 2025-10-31T16:05:38.551273
+消息数: 5
+响应类型: AIMessage
+工具调用: ['task']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #3
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:05:38.571280
+结束: 2025-10-31T16:05:41.055201
+消息数: 2
+响应类型: AIMessage
+工具调用: ['ls', 'read_file', 'read_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #4
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:05:41.124345
+结束: 2025-10-31T16:05:46.426078
+消息数: 6
+响应类型: AIMessage
+工具调用: ['write_todos']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #5
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:05:46.441981
+结束: 2025-10-31T16:05:52.572892
+消息数: 8
+响应类型: AIMessage
+工具调用: ['write_todos']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #6
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:05:52.590619
+结束: 2025-10-31T16:06:06.265340
+消息数: 10
+响应类型: AIMessage
+工具调用: ['write_todos']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #7
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:06:06.286920
+结束: 2025-10-31T16:06:17.218848
+消息数: 12
+响应类型: AIMessage
+工具调用: ['write_file']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #8
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:06:17.235858
+结束: 2025-10-31T16:06:20.406293
+消息数: 14
+响应类型: AIMessage
+工具调用: ['write_todos']
+
+────────────────────────────────────────────────────────────────────────────────
+调用 #9
+────────────────────────────────────────────────────────────────────────────────
+开始: 2025-10-31T16:06:20.425967
+结束: 2025-10-31T16:06:30.994058
+消息数: 16
+响应类型: AIMessage

tests/test_coordinator.py

@@ -0,0 +1,195 @@
+"""
+ResearchCoordinator测试
+
+测试主Agent的完整执行流程
+"""
+
+import sys
+import os
+
+# 添加src目录到Python路径
+sys.path.insert(0, os.path.join(os.path.dirname(__file__), '..'))
+
+from src.agents.coordinator import create_research_coordinator, run_research
+from src.config import Config
+
+
+def test_coordinator_creation():
+    """测试ResearchCoordinator创建"""
+    print("=" * 60)
+    print("测试1: ResearchCoordinator创建")
+    print("=" * 60)
+
+    try:
+        # 测试默认参数
+        agent = create_research_coordinator(
+            question="什么是Python asyncio?",
+            depth="quick"
+        )
+
+        print("✓ ResearchCoordinator创建成功")
+        print(f"  Agent类型: {type(agent)}")
+        return True
+
+    except Exception as e:
+        print(f"✗ ResearchCoordinator创建失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return False
+
+
+def test_config_validation():
+    """测试配置验证"""
+    print("\n" + "=" * 60)
+    print("测试2: 配置验证")
+    print("=" * 60)
+
+    # 测试无效的深度模式
+    try:
+        agent = create_research_coordinator(
+            question="测试问题",
+            depth="invalid_depth"
+        )
+        print("✗ 应该抛出ValueError但没有")
+        return False
+    except ValueError as e:
+        print(f"✓ 正确捕获无效深度模式: {e}")
+
+    # 测试无效的min_tier
+    try:
+        agent = create_research_coordinator(
+            question="测试问题",
+            min_tier=5
+        )
+        print("✗ 应该抛出ValueError但没有")
+        return False
+    except ValueError as e:
+        print(f"✓ 正确捕获无效min_tier: {e}")
+
+    # 测试无效的格式
+    try:
+        agent = create_research_coordinator(
+            question="测试问题",
+            format="invalid_format"
+        )
+        print("✗ 应该抛出ValueError但没有")
+        return False
+    except ValueError as e:
+        print(f"✓ 正确捕获无效格式: {e}")
+
+    return True
+
+
+def test_simple_research_dry_run():
+    """测试简单研究流程（dry run，不执行真实搜索）"""
+    print("\n" + "=" * 60)
+    print("测试3: 简单研究流程（模拟）")
+    print("=" * 60)
+
+    print("\n注意: 这个测试需要API密钥才能执行真实的Agent调用")
+    print("如果API密钥未配置，将跳过此测试\n")
+
+    # 检查API密钥
+    try:
+        Config.validate()
+    except ValueError as e:
+        print(f"⚠️  跳过测试：{e}")
+        return True  # 不算失败
+
+    try:
+        # 创建Agent但不执行
+        agent = create_research_coordinator(
+            question="Python装饰器的作用",
+            depth="quick",
+            format="technical"
+        )
+
+        print("✓ Agent创建成功，准备就绪")
+        print("  如需运行完整测试，请确保API密钥已配置")
+        print("  然后运行：python -m tests.test_integration")
+
+        return True
+
+    except Exception as e:
+        print(f"✗ 测试失败: {e}")
+        import traceback
+        traceback.print_exc()
+        return False
+
+
+def test_depth_configs():
+    """测试三种深度模式的配置"""
+    print("\n" + "=" * 60)
+    print("测试4: 深度模式配置")
+    print("=" * 60)
+
+    depth_modes = ["quick", "standard", "deep"]
+
+    for depth in depth_modes:
+        try:
+            agent = create_research_coordinator(
+                question="测试问题",
+                depth=depth
+            )
+
+            depth_config = Config.get_depth_config(depth)
+
+            print(f"\n✓ {depth}模式配置正确:")
+            print(f"  - 最大迭代: {depth_config['max_iterations']}")
+            print(f"  - 置信度阈值: {depth_config['confidence_threshold']}")
+            print(f"  - 目标来源数: {depth_config['target_sources']}")
+            print(f"  - 并行搜索数: {depth_config['parallel_searches']}")
+
+        except Exception as e:
+            print(f"✗ {depth}模式配置失败: {e}")
+            return False
+
+    return True
+
+
+def main():
+    """运行所有测试"""
+    print("\n")
+    print("=" * 60)
+    print("ResearchCoordinator测试套件")
+    print("=" * 60)
+    print("\n")
+
+    results = []
+
+    # 测试1: 创建
+    results.append(("创建测试", test_coordinator_creation()))
+
+    # 测试2: 配置验证
+    results.append(("配置验证", test_config_validation()))
+
+    # 测试3: 简单研究流程
+    results.append(("简单研究流程", test_simple_research_dry_run()))
+
+    # 测试4: 深度模式配置
+    results.append(("深度模式配置", test_depth_configs()))
+
+    # 总结
+    print("\n" + "=" * 60)
+    print("测试总结")
+    print("=" * 60)
+
+    for test_name, passed in results:
+        status = "✓ 通过" if passed else "✗ 失败"
+        print(f"{test_name}: {status}")
+
+    all_passed = all(result[1] for result in results)
+
+    print("\n" + "=" * 60)
+    if all_passed:
+        print("✓ 所有测试通过！ResearchCoordinator实现正确。")
+    else:
+        print("✗ 部分测试失败，请检查实现。")
+    print("=" * 60 + "\n")
+
+    return all_passed
+
+
+if __name__ == "__main__":
+    success = main()
+    sys.exit(0 if success else 1)

tests/test_minimal_agent.py

@@ -0,0 +1,199 @@
+"""
+最小化测试 - 理解DeepAgents的工作机制
+
+使用方法：
+    export PYTHONIOENCODING=utf-8 && python tests/test_minimal_agent.py
+"""
+
+import sys
+import os
+
+# 添加项目根目录到Python路径
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from deepagents import create_deep_agent
+from src.config import Config
+
+
+def test_minimal_agent():
+    """测试最简单的Agent执行"""
+
+    print("\n" + "="*80)
+    print("最小化测试 - 主Agent写文件")
+    print("="*80)
+
+    # 创建一个最简单的主Agent
+    main_system_prompt = """你是一个简单的测试Agent。
+
+你的任务：
+1. 使用 write_file 工具写入一个文件到 `/test.txt`，内容为 "Hello World"
+2. 使用 read_file 工具读取 `/test.txt`
+3. 告诉用户文件内容
+
+**重要**：完成后明确说"任务完成"。
+"""
+
+    agent = create_deep_agent(
+        model=Config.get_llm(),
+        subagents=[],  # 不使用SubAgent
+        system_prompt=main_system_prompt,
+    )
+
+    print("✅ Agent创建成功")
+    print("\n开始执行...")
+
+    try:
+        result = agent.invoke({
+            "messages": [
+                {
+                    "role": "user",
+                    "content": "请开始执行任务"
+                }
+            ]
+        })
+
+        print("\n" + "="*80)
+        print("执行结果")
+        print("="*80)
+
+        # 检查消息
+        if 'messages' in result:
+            print(f"\n消息数量: {len(result['messages'])}")
+
+            # 显示最后一条消息
+            last_msg = result['messages'][-1]
+            print(f"\n最后一条消息:")
+            if hasattr(last_msg, 'content'):
+                print(last_msg.content)
+
+        # 检查文件系统
+        if 'files' in result:
+            print(f"\n文件数量: {len(result['files'])}")
+
+            for path, info in result['files'].items():
+                print(f"\n文件: {path}")
+                if isinstance(info, dict) and 'content' in info:
+                    print(f"内容: {info['content']}")
+                else:
+                    print(f"内容: {info}")
+
+        print("\n✅ 测试完成")
+
+    except Exception as e:
+        print(f"\n❌ 测试失败: {e}")
+        import traceback
+        traceback.print_exc()
+
+
+def test_agent_with_subagent():
+    """测试主Agent和SubAgent的文件共享"""
+
+    print("\n" + "="*80)
+    print("测试主Agent和SubAgent的文件共享")
+    print("="*80)
+
+    # 定义一个简单的SubAgent
+    subagent_config = {
+        "name": "file-reader",
+        "description": "读取文件并返回内容",
+        "system_prompt": """你是一个文件读取Agent。
+
+你的任务：
+1. 使用 read_file 工具读取 `/test.txt` 文件
+2. 告诉用户文件内容
+
+**重要**：
+- 如果文件不存在，明确说"文件不存在"
+- 如果文件存在，告诉用户文件内容
+- 完成后明确说"任务完成"
+""",
+        "tools": [],
+    }
+
+    # 主Agent
+    main_system_prompt = """你是一个测试协调Agent。
+
+你的任务：
+1. 使用 write_file 工具写入一个文件到 `/test.txt`，内容为 "Hello from Main Agent"
+2. 使用 task 工具调用 file-reader SubAgent：task(description="读取测试文件", subagent_type="file-reader")
+3. 等待SubAgent返回结果
+4. 告诉用户SubAgent读取的内容
+
+**重要**：完成后明确说"所有任务完成"。
+"""
+
+    agent = create_deep_agent(
+        model=Config.get_llm(),
+        subagents=[subagent_config],
+        system_prompt=main_system_prompt,
+    )
+
+    print("✅ Agent创建成功（1主 + 1子）")
+    print("\n开始执行...")
+
+    try:
+        result = agent.invoke({
+            "messages": [
+                {
+                    "role": "user",
+                    "content": "请开始执行任务"
+                }
+            ]
+        })
+
+        print("\n" + "="*80)
+        print("执行结果")
+        print("="*80)
+
+        # 检查消息
+        if 'messages' in result:
+            print(f"\n消息数量: {len(result['messages'])}")
+
+            # 显示所有消息内容
+            print("\n所有消息:")
+            for i, msg in enumerate(result['messages'], 1):
+                print(f"\n--- 消息 #{i} ---")
+                msg_type = type(msg).__name__
+                print(f"类型: {msg_type}")
+
+                if hasattr(msg, 'content'):
+                    content = msg.content
+                    if len(content) > 200:
+                        print(f"内容: {content[:200]}...")
+                    else:
+                        print(f"内容: {content}")
+
+                if hasattr(msg, 'tool_calls') and msg.tool_calls:
+                    print(f"工具调用: {msg.tool_calls}")
+
+        # 检查文件系统
+        if 'files' in result:
+            print(f"\n文件系统:")
+            print(f"文件数量: {len(result['files'])}")
+
+            for path, info in result['files'].items():
+                print(f"\n  文件: {path}")
+                if isinstance(info, dict) and 'content' in info:
+                    print(f"  内容: {info['content']}")
+                else:
+                    print(f"  内容: {info}")
+
+        print("\n✅ 测试完成")
+
+    except Exception as e:
+        print(f"\n❌ 测试失败: {e}")
+        import traceback
+        traceback.print_exc()
+
+
+if __name__ == "__main__":
+    print("\n🧪 DeepAgents最小化测试")
+    print("="*80)
+
+    # 测试1：单个Agent的文件操作
+    test_minimal_agent()
+
+    print("\n\n")
+
+    # 测试2：主Agent和SubAgent的文件共享
+    test_agent_with_subagent()

tests/test_phase1_setup.py

@@ -0,0 +1,237 @@
+"""
+Phase 1 基础设施测试
+
+测试项：
+1. 依赖包导入
+2. API密钥配置
+3. LLM连接
+4. 批量搜索工具
+"""
+
+import sys
+import os
+
+# 添加src目录到Python路径
+sys.path.insert(0, os.path.join(os.path.dirname(__file__), '..'))
+
+
+def test_imports():
+    """测试所有必要的包是否能正确导入"""
+    print("=" * 60)
+    print("测试 1: 检查依赖包导入")
+    print("=" * 60)
+
+    try:
+        import deepagents
+        print("✓ deepagents 导入成功")
+    except ImportError as e:
+        print(f"✗ deepagents 导入失败: {e}")
+        return False
+
+    try:
+        import langchain
+        print("✓ langchain 导入成功")
+    except ImportError as e:
+        print(f"✗ langchain 导入失败: {e}")
+        return False
+
+    try:
+        import tavily
+        print("✓ tavily 导入成功")
+    except ImportError as e:
+        print(f"✗ tavily 导入失败: {e}")
+        return False
+
+    try:
+        from dotenv import load_dotenv
+        print("✓ python-dotenv 导入成功")
+    except ImportError as e:
+        print(f"✗ python-dotenv 导入失败: {e}")
+        return False
+
+    try:
+        import click
+        print("✓ click 导入成功")
+    except ImportError as e:
+        print(f"✗ click 导入失败: {e}")
+        return False
+
+    try:
+        from rich import print as rprint
+        print("✓ rich 导入成功")
+    except ImportError as e:
+        print(f"✗ rich 导入失败: {e}")
+        return False
+
+    print("\n所有依赖包导入成功！\n")
+    return True
+
+
+def test_config():
+    """测试配置是否正确"""
+    print("=" * 60)
+    print("测试 2: 检查配置")
+    print("=" * 60)
+
+    try:
+        from src.config import Config
+
+        print(f"LLM模型: {Config.LLM_MODEL}")
+        print(f"LLM温度: {Config.LLM_TEMPERATURE}")
+        print(f"最大Tokens: {Config.LLM_MAX_TOKENS}")
+        print(f"默认深度模式: {Config.DEFAULT_DEPTH}")
+        print(f"最大并行搜索数: {Config.MAX_PARALLEL_SEARCHES}")
+        print(f"搜索超时: {Config.SEARCH_TIMEOUT}秒")
+
+        # 检查API密钥
+        if Config.DASHSCOPE_API_KEY and Config.DASHSCOPE_API_KEY != "your_dashscope_api_key_here":
+            print("✓ DASHSCOPE_API_KEY 已配置")
+        else:
+            print("✗ DASHSCOPE_API_KEY 未配置或使用默认值")
+            print("  请在.env文件中设置真实的API密钥")
+            return False
+
+        if Config.TAVILY_API_KEY and Config.TAVILY_API_KEY != "your_tavily_api_key_here":
+            print("✓ TAVILY_API_KEY 已配置")
+        else:
+            print("✗ TAVILY_API_KEY 未配置或使用默认值")
+            print("  请在.env文件中设置真实的API密钥")
+            return False
+
+        print("\n配置检查通过！\n")
+        return True
+
+    except Exception as e:
+        print(f"✗ 配置检查失败: {e}\n")
+        return False
+
+
+def test_llm_connection():
+    """测试LLM连接"""
+    print("=" * 60)
+    print("测试 3: 检查LLM连接")
+    print("=" * 60)
+
+    try:
+        from src.config import Config
+
+        llm = Config.get_llm()
+        print(f"LLM实例创建成功: {llm.model_name}")
+
+        # 发送一个简单的测试消息
+        print("发送测试消息...")
+        response = llm.invoke("你好，请用一句话介绍你自己。")
+        print(f"LLM响应: {response.content[:100]}...")
+
+        print("\n✓ LLM连接测试成功！\n")
+        return True
+
+    except Exception as e:
+        print(f"✗ LLM连接测试失败: {e}\n")
+        return False
+
+
+def test_search_tools():
+    """测试批量搜索工具"""
+    print("=" * 60)
+    print("测试 4: 检查批量搜索工具")
+    print("=" * 60)
+
+    try:
+        from src.tools.search_tools import batch_internet_search
+
+        # 测试并行搜索
+        test_queries = [
+            "Python programming",
+            "Machine learning basics",
+            "Web development tutorial"
+        ]
+
+        print(f"执行 {len(test_queries)} 个并行搜索...")
+        print(f"查询: {test_queries}")
+
+        result = batch_internet_search.invoke({
+            "queries": test_queries,
+            "max_results_per_query": 3
+        })
+
+        print(f"\n搜索结果统计:")
+        print(f"  总查询数: {result['total_queries']}")
+        print(f"  成功查询: {result['successful_queries']}")
+        print(f"  失败查询: {result['failed_queries']}")
+        print(f"  总结果数: {result['total_results']}")
+        print(f"  去重后结果数: {result['unique_results']}")
+
+        if result['errors']:
+            print(f"\n错误信息:")
+            for error in result['errors']:
+                print(f"  - {error}")
+
+        if result['success'] and result['unique_results'] > 0:
+            print(f"\n前3个搜索结果:")
+            for i, res in enumerate(result['results'][:3], 1):
+                print(f"  {i}. {res.get('title', 'N/A')}")
+                print(f"     URL: {res.get('url', 'N/A')}")
+                print(f"     得分: {res.get('score', 'N/A')}")
+
+            print("\n✓ 批量搜索工具测试成功！\n")
+            return True
+        else:
+            print("\n✗ 批量搜索工具测试失败：未返回有效结果\n")
+            return False
+
+    except Exception as e:
+        print(f"✗ 批量搜索工具测试失败: {e}\n")
+        import traceback
+        traceback.print_exc()
+        return False
+
+
+def main():
+    """运行所有测试"""
+    print("\n")
+    print("=" * 60)
+    print("Phase 1 基础设施测试")
+    print("=" * 60)
+    print("\n")
+
+    results = []
+
+    # 测试1: 导入检查
+    results.append(("依赖包导入", test_imports()))
+
+    # 测试2: 配置检查
+    results.append(("配置检查", test_config()))
+
+    # 测试3: LLM连接（如果配置通过）
+    if results[-1][1]:
+        results.append(("LLM连接", test_llm_connection()))
+
+    # 测试4: 搜索工具（如果配置通过）
+    if results[1][1]:
+        results.append(("批量搜索工具", test_search_tools()))
+
+    # 总结
+    print("=" * 60)
+    print("测试总结")
+    print("=" * 60)
+
+    for test_name, passed in results:
+        status = "✓ 通过" if passed else "✗ 失败"
+        print(f"{test_name}: {status}")
+
+    all_passed = all(result[1] for result in results)
+
+    print("\n" + "=" * 60)
+    if all_passed:
+        print("✓ 所有测试通过！Phase 1 基础设施搭建完成。")
+    else:
+        print("✗ 部分测试失败，请检查配置和依赖。")
+    print("=" * 60 + "\n")
+
+    return all_passed
+
+
+if __name__ == "__main__":
+    success = main()
+    sys.exit(0 if success else 1)

tests/test_subagents.py

@@ -0,0 +1,253 @@
+"""
+SubAgent配置测试
+
+测试所有SubAgent配置是否符合DeepAgents框架规范
+"""
+
+import sys
+import os
+
+# 添加src目录到Python路径
+sys.path.insert(0, os.path.join(os.path.dirname(__file__), '..'))
+
+import pytest
+from src.agents.subagents import (
+    get_subagent_configs,
+    validate_subagent_config,
+    get_validated_subagent_configs
+)
+
+
+class TestSubAgentConfigs:
+    """SubAgent配置测试类"""
+
+    def test_subagent_count(self):
+        """测试SubAgent数量"""
+        configs = get_subagent_configs()
+        assert len(configs) == 6, f"应该有6个SubAgent，实际有{len(configs)}个"
+
+    def test_required_fields(self):
+        """测试所有必需字段是否存在"""
+        configs = get_subagent_configs()
+        required_fields = ["name", "description", "system_prompt"]
+
+        for config in configs:
+            for field in required_fields:
+                assert field in config, f"SubAgent {config.get('name', 'unknown')} 缺少必需字段: {field}"
+
+    def test_name_format(self):
+        """测试name是否使用kebab-case格式"""
+        configs = get_subagent_configs()
+
+        for config in configs:
+            name = config["name"]
+            # 检查是否只包含小写字母和连字符
+            assert all(c.islower() or c == '-' for c in name), \
+                f"SubAgent name必须使用kebab-case格式: {name}"
+            # 不应该以连字符开始或结束
+            assert not name.startswith('-') and not name.endswith('-'), \
+                f"SubAgent name不应该以连字符开始或结束: {name}"
+
+    def test_system_prompt_not_empty(self):
+        """测试system_prompt不为空"""
+        configs = get_subagent_configs()
+
+        for config in configs:
+            system_prompt = config.get("system_prompt", "")
+            assert system_prompt.strip(), \
+                f"SubAgent {config['name']} 的system_prompt不能为空"
+            # 检查system_prompt应该相当详细（至少500字符）
+            assert len(system_prompt) > 500, \
+                f"SubAgent {config['name']} 的system_prompt过短（应该>500字符）"
+
+    def test_no_prompt_field(self):
+        """测试配置中不应该使用'prompt'字段（常见错误）"""
+        configs = get_subagent_configs()
+
+        for config in configs:
+            assert "prompt" not in config, \
+                f"SubAgent {config['name']} 使用了错误的字段'prompt'，应该使用'system_prompt'"
+
+    def test_description_present(self):
+        """测试description字段存在且有意义"""
+        configs = get_subagent_configs()
+
+        for config in configs:
+            description = config.get("description", "")
+            assert description.strip(), \
+                f"SubAgent {config['name']} 的description不能为空"
+            # 描述应该简洁（10-100字符）
+            assert 10 <= len(description) <= 200, \
+                f"SubAgent {config['name']} 的description长度不合适（应该10-200字符）"
+
+    def test_tools_field_type(self):
+        """测试tools字段类型正确"""
+        configs = get_subagent_configs()
+
+        for config in configs:
+            if "tools" in config:
+                assert isinstance(config["tools"], list), \
+                    f"SubAgent {config['name']} 的tools字段应该是列表"
+
+    def test_specific_subagent_names(self):
+        """测试6个SubAgent的具体名称"""
+        configs = get_subagent_configs()
+        expected_names = {
+            "intent-analyzer",
+            "search-orchestrator",
+            "source-validator",
+            "content-analyzer",
+            "confidence-evaluator",
+            "report-generator"
+        }
+
+        actual_names = {config["name"] for config in configs}
+        assert actual_names == expected_names, \
+            f"SubAgent名称不匹配。期望: {expected_names}, 实际: {actual_names}"
+
+    def test_system_prompt_mentions_files(self):
+        """测试system_prompt是否提到虚拟文件系统路径"""
+        configs = get_subagent_configs()
+
+        # 某些SubAgent应该在system_prompt中提到文件路径
+        file_related_agents = [
+            "intent-analyzer",
+            "search-orchestrator",
+            "source-validator",
+            "content-analyzer",
+            "confidence-evaluator",
+            "report-generator"
+        ]
+
+        for config in configs:
+            if config["name"] in file_related_agents:
+                system_prompt = config["system_prompt"]
+                # 检查是否提到虚拟文件系统（以/开头的路径）
+                assert "/" in system_prompt, \
+                    f"SubAgent {config['name']} 的system_prompt应该提到虚拟文件系统路径"
+
+    def test_search_orchestrator_has_tools(self):
+        """测试search-orchestrator应该有搜索工具"""
+        configs = get_subagent_configs()
+
+        search_orchestrator = next(
+            (c for c in configs if c["name"] == "search-orchestrator"),
+            None
+        )
+
+        assert search_orchestrator is not None, "未找到search-orchestrator"
+        assert "tools" in search_orchestrator, "search-orchestrator应该有tools字段"
+        assert len(search_orchestrator["tools"]) > 0, \
+            "search-orchestrator应该至少有一个工具"
+
+    def test_validate_function(self):
+        """测试validate_subagent_config函数"""
+        # 有效配置
+        valid_config = {
+            "name": "test-agent",
+            "description": "测试agent",
+            "system_prompt": "这是一个测试prompt"
+        }
+        assert validate_subagent_config(valid_config) == True
+
+        # 缺少必需字段
+        invalid_config = {
+            "name": "test-agent",
+            "description": "测试agent"
+            # 缺少system_prompt
+        }
+        with pytest.raises(ValueError, match="缺少必需字段"):
+            validate_subagent_config(invalid_config)
+
+        # 错误的name格式
+        invalid_name_config = {
+            "name": "TestAgent",  # 应该是kebab-case
+            "description": "测试agent",
+            "system_prompt": "测试"
+        }
+        with pytest.raises(ValueError, match="kebab-case"):
+            validate_subagent_config(invalid_name_config)
+
+    def test_get_validated_configs(self):
+        """测试get_validated_subagent_configs函数"""
+        configs = get_validated_subagent_configs()
+        assert len(configs) == 6, "应该返回6个经过验证的SubAgent配置"
+
+    def test_system_prompt_structure(self):
+        """测试system_prompt是否有良好的结构"""
+        configs = get_subagent_configs()
+
+        for config in configs:
+            system_prompt = config["system_prompt"]
+
+            # 应该有清晰的任务说明
+            assert any(keyword in system_prompt for keyword in ["任务", "流程", "步骤"]), \
+                f"SubAgent {config['name']} 的system_prompt应该包含任务说明"
+
+            # 应该有输入输出说明
+            assert any(keyword in system_prompt for keyword in ["输入", "输出", "读取", "写入"]), \
+                f"SubAgent {config['name']} 的system_prompt应该包含输入输出说明"
+
+    def test_confidence_evaluator_mentions_formula(self):
+        """测试confidence-evaluator是否提到置信度计算公式"""
+        configs = get_subagent_configs()
+
+        confidence_evaluator = next(
+            (c for c in configs if c["name"] == "confidence-evaluator"),
+            None
+        )
+
+        assert confidence_evaluator is not None
+        system_prompt = confidence_evaluator["system_prompt"]
+
+        # 应该提到公式和百分比
+        assert "50%" in system_prompt and "30%" in system_prompt and "20%" in system_prompt, \
+            "confidence-evaluator应该包含置信度计算公式（50%+30%+20%）"
+
+    def test_source_validator_mentions_tiers(self):
+        """测试source-validator是否提到Tier分级"""
+        configs = get_subagent_configs()
+
+        source_validator = next(
+            (c for c in configs if c["name"] == "source-validator"),
+            None
+        )
+
+        assert source_validator is not None
+        system_prompt = source_validator["system_prompt"]
+
+        # 应该提到Tier 1-4
+        for tier in ["Tier 1", "Tier 2", "Tier 3", "Tier 4"]:
+            assert tier in system_prompt or tier.replace(" ", "") in system_prompt, \
+                f"source-validator应该包含{tier}分级说明"
+
+
+def print_subagent_summary():
+    """打印SubAgent配置摘要"""
+    print("\n" + "=" * 60)
+    print("SubAgent配置摘要")
+    print("=" * 60)
+
+    configs = get_subagent_configs()
+
+    for i, config in enumerate(configs, 1):
+        print(f"\n{i}. {config['name']}")
+        print(f"   描述: {config['description']}")
+        print(f"   System Prompt长度: {len(config['system_prompt'])} 字符")
+        if "tools" in config:
+            print(f"   工具数量: {len(config['tools'])}")
+        else:
+            print(f"   工具数量: 0")
+
+    print("\n" + "=" * 60)
+
+
+if __name__ == "__main__":
+    # 运行测试
+    print("运行SubAgent配置测试...\n")
+
+    # 打印摘要
+    print_subagent_summary()
+
+    # 使用pytest运行测试
+    pytest.main([__file__, "-v", "--tb=short"])