🔬 DeepResearch-Agent MultiAgent深度研究系统

基于 LangGraph 的多 Agent 协作深度研究系统，通过 Simulate-Before-Act 搜索规划和 Cross-Source NLI Verification 机制，生成带引用的高质量研究报告。

架构

User Query → 规划器 → 搜索器 → 分析器 → 撰写器 → 评审器
               ↑                                      │
               └──── 迭代改进（得分 < 阈值时触发）────┘

Agents

Agent	职责	核心技术
规划器 (Planner)	分解问题，生成并评估候选搜索计划	Simulate-Before-Act
搜索器 (Searcher)	多源并行搜索 (Web + ArXiv + Wikipedia)	Map-phase 压缩
分析器 (Analyzer)	交叉验证多源信息，检测矛盾	NLI 矛盾检测
撰写器 (Writer)	生成带引用的研究报告	Claim-level 引用追踪
评审器 (Critic)	评估报告质量，决定通过/迭代	LLM-as-a-Judge

核心创新点

1. Simulate-Before-Act 搜索规划

规划器不直接执行搜索，而是先生成多个候选策略，用轻量 LLM 模拟每个策略的预期覆盖度，选择最优方案再执行。失败的策略在下一轮迭代中被显式排除。

参考论文: Simulate Before Act (Gu et al., 2025)

2. Cross-Source NLI Verification 多源冲突消解

分析器使用 NLI 模型 (cross-encoder/nli-deberta-v3-base) 检测不同来源间的矛盾。报告中每条声明标注置信度：

• ✅ 多源一致（高可信）
• ⚠️ 来源有争议（标注各方立场）
• ❓ 仅单一来源（待验证）

解决问题: PIES 分类法中的 Explicit Summarization 幻觉 (DeepHalluBench, 2026.01)

Context 管理（解决 Token 爆炸）

策略	效果
Agent 间只传压缩摘要	单次传递 < 2K tokens
Map-Reduce 检索处理	单次 LLM 调用 < 5K tokens
File-as-Memory 外挂存储	State 与数据彻底解耦
Progressive Summarization	迭代不增加 context

实验结果

查询	迭代次数	最终得分	耗时
Compare LangGraph and CrewAI for multi-agent development	3	7.0/10	723s

NLI 验证统计（第 3 轮）：

• ✅ 高可信度: 4 条
• ⚠️ 有争议: 0 条
• ❓ 待验证: 19 条

快速开始

# 1. 克隆项目
git clone https://github.com/YOUR_USERNAME/DeepResearch-Agent.git
cd DeepResearch-Agent

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置 API Key
cp .env.example .env
# 编辑 .env，填入 DeepSeek 和 Tavily 的 API Key

# 4. 运行
python main.py "Compare LangGraph and CrewAI for multi-agent development"

技术栈

组件	选型
Agent 编排	LangGraph (StateGraph)
LLM	DeepSeek API / OpenAI API（可配置）
Web 搜索	Tavily API
NLI 模型	cross-encoder/nli-deberta-v3-base
前端	Streamlit（可选）

项目结构

DeepResearch-Agent/
├── main.py                  # CLI 入口
├── config.py                # 全局配置
├── agents/
│   ├── planner.py           # Simulate-Before-Act 规划
│   ├── searcher.py          # 多源搜索 + 压缩
│   ├── analyzer.py          # NLI 交叉验证
│   ├── writer.py            # 带引用的报告生成
│   └── critic.py            # LLM-as-a-Judge 评审
├── core/
│   ├── state.py             # LangGraph State 定义
│   ├── graph.py             # StateGraph 构建
│   ├── llm.py               # LLM 调用工具
│   ├── memory.py            # File-as-Memory
│   └── nli_verifier.py      # NLI 矛盾检测
├── tools/
│   └── search.py            # 搜索 API 封装
├── prompts/                 # Agent Prompts
├── evaluation/              # 评估脚本
└── examples/                # 示例查询与报告

参考文献

• DeepHalluBench — Deep Research Agent 幻觉评估的 PIES 分类法
• Simulate Before Act — 基于模拟的 Agent 规划策略
• DeerFlow — 字节跳动多 Agent 研究框架
• Deep Research Agents: A Systematic Examination — DR Agent 综述

License

MIT