ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;display: flex;align-items: center;gap: 0.5em;color: rgb(87, 171, 90);">TipingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;display: block;letter-spacing: 0.1em;color: rgb(63, 63, 63);">多代理工作流架构，不同的专业代理协作处理用户查询，并生成一份全面的研究报告
| ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;padding: 0.25em 0.5em;color: rgb(63, 63, 63);word-break: keep-all;"> | ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;padding: 0.25em 0.5em;color: rgb(63, 63, 63);word-break: keep-all;"> | ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;padding: 0.25em 0.5em;color: rgb(63, 63, 63);word-break: keep-all;"> |
Coordinator Agent
将用户的请求分为三类
• 直接处理：问候和闲聊 • 礼貌拒绝：不当或有害的请求，系统会拒绝处理 • 交给 Planner：研究问题、事实查询，会被进一步处理
Planner Agent
将复杂查询分解为可管理的步骤，以便创建详细的研究计划
1. 评估是否有足够的上下文可以直接回答查询 2. 若上下文不足，则创建一个结构化的研究计划，包含具体步骤 3. 将步骤分类为“研究”（网络搜索）或处理（计算任务） 4. 限制计划的步骤数量，最大思考步数（默认为 3 次）
Researcher Agent
执行需要收集信息的研究步骤
1. 使用内置工具，如 web_search_tool和crawl_tool2. 在可用时动态加载工具 3. 记录文档来源和属性信息，以确保引用 4. 结构化综合收集的信息
Coder Agent
执行涉及到 Python 代码的数据处理
1. 分析需求并规划解决方案 2. 使用 Python 脚本实现解决方案 3. 利用可用的库，如 pandas、numpy 4. 记录方法并可视化结果
Reporter Agent
负责所有收集的信息综合成完整的最终报告
• 以清晰的结构，逻辑地组织信息 • 突出关键发现和重要见解 • 包含研究过程中相关的图片 • 正确引用所有来源 • 保持用户偏好的语言
工作流执行过程
工作流配置
提示到 Agent 的映射
将代理的提示映射到定义其行为的实际代码文件
计划结构化和步骤执行
步骤类型和执行
步骤分为研究、处理两种类型
StepType.RESEARCH
• 需要进行网络搜索 need_web_search: true• 重点在于收集信息，统计数据和数据点 • 由 Researcher Agenet 执行，使用网络搜索和爬取工具
StepType.PROCESSING
• 不需要进行网络搜索 need_web_search: false• 涉及计算、数据分析和计算任务 • 由 Coder Agent 执行，使用 Python 进行数据处理
工具整合
DeerFlow 集成了代理可用于收集信息和处理数据的各种工具
内置工具
动态工具加载随着 MCP
支持通过 MCP 动态加载其他工具
这里给出 GitHub 趋势存储库的 MCP 示例
"mcp_settings":{
"servers":{
"mcp-github-trending":{
"transport":"stdio",
"command":"uvx",
"args":["mcp-github-trending"],
"enabled_tools":["get_github_trending_repositories"],
"add_to_agents":["researcher"]
}
}
}Data Flow
Tip
本文的记录数据的流转，用户输入到最终研究报告的产出，前后端交互时的消息、事件、状态，以及每个组件内的内部数据转换
Data Flow 的预览
前端 Data Flow
用户输入作为 API Request
sendMessage 函数（web/src/core/store/store.ts 76-154）的处理流程如下：
1. 创建新的用户消息，生成唯一 ID，并将其添加到 Zustand 状态存储 2. 设置存储中检索聊天设置，使用 getChatStreamSettings()3. 使用用户消息和配置参数发起 API 调用，调用 chatStream()4. 在对话期间将前端状态设置为“responding”
chat 的 Stream 参数包括如下
事件处理与状态管理
前端使用 Zustand 来管理应用状态，关键状态组件包括
当后端接收到事件时，它们会被处理并更新上述状态
• message_chunk：更新消息内容 • tool_calls：处理工具调用 • tool_call_result：更新工具调用结果 • interrupt：处理用户反馈
以下这些状态更新函数用于管理聊天、研究过程中的状态变化，确保前端能够正确显示对话和研究进度
• appendMessage：向存储中添加新消息 • updateMessage：使用新内容更新现有消息 • updateMessages：批量更新多个消息 • setOngoingResearch：跟踪当前研究会话 • openResearch：控制 UI 中显示的研究内容
API 通信
前后端通过 SSE 进行流式响应，支持两种模式
• 常规模式（Regular mode）：发送实际请求到后端，获取实时响应 • 回放模式（Replay mode）：使用预录的响应进行演示或测试
后端 Data Flow
请求处理
当后端接收到聊天请求时，通过/api/chat/stream断点进行处理
• 解析用户输入并生成 UUID • 初始化流式事件 • 启动 StreamResponse，使用 _astream_workflow_generator()处理请求并生成流式响应
工作流事件生成
_astream_workflow_generator()职责如下
1. 设置 LangGraph 工作流的初始状态 2. 将代理交互和结果流式传输回客户端 3. 将 LangGraph 事件转换为 SSE（服务器发送事件）
LangGraph 状态流
管理 Agent 节点之间的状态转换，每个节点处理当前状态，并返回一个对象，该对象用于更新状态并引导工作流进入下一个节点
LangGraph 的状态对象包含
数据结构
Message 结构
Message 是 DeerFlow 系统的主要数据结构，在前后端之间流动
ChatEvent 结构
从后端流式传递到前端的事件具有如下结构
{
"event":"<event_type>",
"data":"<JSON 数据>"
}其中 event_type 可以是：
• message_chunk：来自代理的文本内容 • tool_calls：代理请求使用工具 • tool_call_chunks：工具调用的部分内容 • tool_call_result：工具执行的结果 • interrupt：请求用户反馈
ChatRequest 结构
从前端传递到后端的请求结构如下
{
"messages":[{"role":"user","content":"string"}],
"thread_id":"string",
"auto_accepted_plan":true,
"max_plan_iterations":3,
"max_step_num":5,
"interrupt_feedback":"string",
"enable_background_investigation":true,
"mcp_settings":{
"servers":{
"server_name":{
"transport":"string",
"command":"string",
"args":["string"],
"url":"string",
"env":{"key":"value"},
"enabled_tools":["string"],
"add_to_agents":["string"]
}
}
}
}