DeerFlow源码分析

目录

• 背景和价值
• DeerFlow多智能体系统解析
  • 1. DeerFlow有哪些Agent，以及定义
  • 2. Agent之间流转（流程图）及控制变量
    • Agent流转流程图
    • 关键控制变量
  • 3. 实例讲解：用户输入"如何提高AI模型的推理速度？"
    • 流程图解析
    • 详细流转说明
  • 为什么这样设计？
• 参考资料

背景和价值

DeerFlow多智能体系统解析

1. DeerFlow有哪些Agent，以及定义

DeerFlow基于LangGraph构建的多智能体协作系统，主要包含以下核心Agent：

Agent类型	定义	主要职责
协调器(Coordinator)	系统入口点，领导者	接收用户输入，处理简单问候/拒绝不当请求，将任务转交给规划器
规划者(Planner)	系统参谋部	将宏观问题分解为子任务，制定研究计划，判断是否需要背景调查
研究员(Researcher)	研究团队核心	通过网络搜索、爬虫等工具收集信息，确保数据质量
程序员(Coder)	研究团队技术专家	执行Python代码进行数据处理、统计分析、运行模拟
报告员(Reporter)	最终成果输出者	整合所有信息，生成结构化、人类可读的报告/播客/演示文稿

💡 从知识库[3][6]可知：DeerFlow采用"协调器→规划器→研究团队→报告员"的层级协作模式，研究团队包含研究员和程序员两个专业角色。

2. Agent之间流转（流程图）及控制变量

Agent流转流程图

用户输入│▼
[协调器(Coordinator)] → (通过handoff_to_planner工具)│▼
[规划者(Planner)] → (可能启用背景调查)│├───是否需要人工审核? (auto_accepted_plan)│      ││      ├───否 → 直接进入研究团队│      └───是 → [人工反馈节点(Human Feedback)]│               ││               ├───[ACCEPTED] → 进入研究团队│               └───[EDIT_PLAN] → 返回规划器│▼
[研究团队(Research Team)]│├───根据步骤类型路由│      ││      ├───RESEARCH → [研究员(Researcher)]│      └───PROCESSING → [程序员(Coder)]│▼
[所有步骤完成?]│├───是 → [报告员(Reporter)]└───否 → 继续执行未完成步骤

关键控制变量

变量名	作用	默认值	说明
auto_accepted_plan	是否跳过人工审核	False	True表示自动接受计划，跳过用户反馈
enable_background_investigation	是否启用背景调查	False	启用后，planner会先进行初步搜索
plan_iterations	计划迭代次数	0	达到最大迭代次数后直接进入reporter
current_plan	当前研究计划	None	JSON格式的计划，包含步骤和执行状态
step.execution_res	步骤执行结果	None	用于判断步骤是否完成

💡 从知识库[1][5]可知：current_plan是核心状态，包含steps列表，每个步骤有step_type和execution_res属性，决定下一步流向。

3. 实例讲解：用户输入"如何提高AI模型的推理速度？"

流程图解析

用户输入: "如何提高AI模型的推理速度？"│▼
[协调器(Coordinator)] │ 处理输入，调用handoff_to_planner工具▼
[规划者(Planner)]│ 生成计划: │   - 背景调查: 搜索"AI模型推理速度优化" │   - 步骤1: 网络搜索相关论文│   - 步骤2: 分析不同优化技术│   - 步骤3: 代码实现示例│▼
[人工反馈节点]│ auto_accepted_plan = False (默认)│ 调用interrupt("请审核计划。")│▼
用户回复: "[ACCEPTED]"│▼
[研究团队(Research Team)]│ 根据步骤类型路由:│   - 步骤1: RESEARCH → [研究员(Researcher)]│   - 步骤2: PROCESSING → [程序员(Coder)]│▼
[研究员(Researcher)]│ 执行网络搜索，获取最新论文和优化技术│ 保存结果到observations│▼
[程序员(Coder)]│ 执行Python代码，实现不同优化技术│ 保存结果到observations│▼
[所有步骤完成?]│ 是 → 进入[报告员(Reporter)]│▼
[报告员(Reporter)]│ 整合信息，生成结构化报告│ 保存到final_report│▼
[流程结束]

详细流转说明

1. 协调器阶段：

   • 用户输入"如何提高AI模型的推理速度？"
   • 协调器判断为研究请求，调用handoff_to_planner工具转交规划器
   • 代码路径：coordinator_node → handoff_to_planner工具

2. 规划器阶段：

   • 规划器生成计划，可能启用背景调查
   • 代码路径：planner_node → 生成current_plan
   • 如果auto_accepted_plan=False（默认），进入人工反馈节点

3. 人工反馈阶段：

   • 系统暂停，等待用户确认
   • 用户输入[ACCEPTED]，系统继续执行

4. 研究团队阶段：

   • 系统根据计划中的步骤类型决定：
     • 网络搜索 → 研究员
     • 代码实现 → 程序员
   • 代码路径：continue_to_running_research_team函数

5. 报告生成阶段：

   • 所有步骤完成后，自动进入报告员
   • 报告员整合信息，生成最终报告
   • 代码路径：reporter_node

💡 从知识库[5]可知：current_plan是流转的核心，其中steps列表定义了任务流程，step_type决定路由到哪个专业Agent。

为什么这样设计？

DeerFlow的架构设计体现了"Plan & Reflection"的核心思想：

• 确定性流程：通过状态变量（如current_plan、plan_iterations）保证任务执行路径可控
• 自主探索能力：通过Reflection机制（如human_feedback_node）让Agent能根据执行情况调整计划

正如知识库[2]所述："为了既保证任务成功率又不牺牲智能体的探索能力，我们需要在架构上融合确定性流程和自主Agent探索。"

这种设计使得DeerFlow既适合自动化研究任务，又能应对复杂场景下的不确定性，真正发挥出大模型的潜力。

参考资料