Dify DeepResearch 2.0 评测：告别玩具时代？Dify深度研究Agent究竟进化到哪一步了！

今天给大家介绍一下：DIFY发布的DeepResearch工作流升级版——research agent process flow。

之前我也介绍过老版本（见文章：Dify内置DeepResearch工作流溯源——来看看Dify官方博客对它的介绍），从体验来看（Dify内置DeepResearch深度体验，抽丝剥茧带大家瞧瞧它的真实水准），第一版还是有很大局限的。

DIFY的官方微信公众号（DIFY.AI）文章Deep Research 工作流：使用 Dify 打造专业级研究助手，对这个2.0版本，进行了较为详细的介绍，而我此次主要来比较一下新老两个版本的差异，并补充一些使用效果和细节，大家可以把两篇文章结合起来读。

ingFang SC";">新老版本差异

简单对比一下两个工作流，发现它们的主体结构是差不多的，都把DeepResearch分成了三个阶段：阶段1（研究准备和基础设置）、阶段2（循环深入研究）、阶段3（研究成果整合）。

深入比较一下三个阶段，发现改变最多、差异最大的是阶段2（循环深入研究）：

• 搜索引擎由Tavly搜索换成了Exa搜索；

• 检索方法由Tavily直接检索，改成了Agent调用Exa检索并反思给出检索结果；

• 采用循环节点代替迭代节点;
  

• 省去了检索提前终止判断（这似乎不太合理），直接由初始设定的max_loop参数控制检索次数。

其他一些次要差异点：

• 循环中的推理节点，添加了用户意图分析和Exa回答（检索并AI回复），使深入搜索更具有指向性；

• 循环中的推理节点和最后的总结节点，提示词（信息）更完备，添加了中间检索问题和检索URLs、图片URLs等信息。

ingFang SC";">运行效果分析

采用DeepSeek-chat替换如下4个节点中的大模型，为了方便查看运行结果，将原提示词中的大部分提示词修改成中文。

下面直接看下运行效果：

研究报告输出

报告生成过程分析：

1、意图挖掘部分（属于阶段1），从表层意图、实际意图、潜在意图、扩展分析等几个层面，对用户的问题进行了非常细致的分析，这无疑是非常重要的，而在老版本中，是缺少这个环节的。

2、循环检索部分（属于阶段2），这部分按照初始设定检索次数进行迭代检索，本次检索主题，会受用户问题、用户意图、历史检索结果等因素影响，本次实验的课题“Dify在自媒体领域应用调研”，还是非常考验Exa检索能力的，我们看到第二轮检索以后，一直提示缺少具体应用案例。

3、报告结果：设定max_loop为5的情况下，检索到的有用信息是非常少的，最后报告给也比较简单。

综合来看，目前这个版本距离生产还是非常遥远的，在检索深度自主控制、信源丰富度、报告精细度等多个方面都需要大量优化，但是，也不失为一个很好的学习材料，同时，我们能基于它，改造出比较好用的本地资源深度研究工具，因为本地资源相对来说，量比较小，内容质量也更可控，研究难度没有开放域资源那么大。

ingFang SC";">细节补充

脑图解读Deep Research 工作流：使用 Dify 打造专业级研究助手

直接读原文，还是非常费劲的，结合下面脑图，几分钟就可以搞懂工作流的主要内容了。

Exa插件

Exa是一款人工智能搜索工具，可以使用Exa的高级API进行语义搜索、内容检索、相似性搜索和答案生成。

在插件市场安装好插件后，需要在官网开通并获取API key，新注册用户有10美元赠送额度。

https://exa.ai/

搜索Agent设置

需要注意Agent的三种提示设置：

1、指令（系统提示）：说明Agent的主要功能和背景信息

2、查询（用户提示）：说明用户的主要问题

3、工具描述（工具调用提示）：说明工具的调用方法和调用顺序等

模型结构化输出

原工作流中这个节点选用的模型gemini-2.5-flash-preview-04-17，支持结构化输出，即标准的json输出，替换成deepseek-chat后，不支持此功能，DIFY会以提示注入的形式自动处理这个需求。