yanxulong/deepagents----

Fork 0

Files

闫旭隆 233e0ff245 first commit

2025-11-02 18:06:38 +08:00

16 KiB

Raw Permalink Blame History

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：

需要先执行步骤1：初始化虚拟文件系统
写入/question.txt和/config.json
不能在同一响应中调用task工具

输出

{
  "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：

两个文件已成功写入（ToolMessage确认）
步骤1已完成，应该进入步骤2
现在可以调用task工具启动intent-analyzer

输出

{
  "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：

需要先读取输入文件
使用ls查看文件系统结构
使用read_file读取两个文件

输出

{
  "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):

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：

问题: "Python asyncio最佳实践"
配置: quick模式 → 生成3个查询
领域分析: 技术（编程）
查询策略: 基础概念 + 最佳实践 + 实现细节

输出

{
  "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

基础概念: "What is Python asyncio and how does it work?"
最佳实践: "Best practices for using Python asyncio"
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：

文件已成功写入
任务已完成（生成了3个查询）
可以总结并返回结果

输出

{
  "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:

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

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

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
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
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

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
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
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：

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
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
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:

完成剩余SubAgent的测试
实现完整的端到端流程
添加错误处理和降级策略
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

16 KiB Raw Permalink Blame History Unescape Escape

智能深度研究系统 - 执行过程详细分析

整体架构回顾

详细执行流程分析

🔵 LLM调用 #1 - 主Agent初始化 (步骤1)

输入

主Agent的思考过程

输出

关键点

State更新

🔵 LLM调用 #2 - 主Agent启动SubAgent (步骤2)

输入

主Agent的思考过程

输出

关键点

🔵 LLM调用 #3 - SubAgent读取文件

输入

SubAgent的思考过程

输出

关键机制解析

🔵 LLM调用 #4 - SubAgent分析并生成查询

输入

SubAgent的思考过程

输出

生成的3个搜索查询

State更新

🔵 LLM调用 #5 - SubAgent完成并返回

输入

SubAgent的思考过程

输出

关键点

SubAgent返回机制

最终State

执行流程图

Token消耗分析

关键技术要点总结

✅ 成功解决的问题

🎯 设计亮点

后续步骤预测

性能优化建议

总结

16 KiB

Raw Permalink Blame History