用 LangChain Deep Agents 构建深度研究 Agent，搜索与推理分离

深度研究是一项复杂的、多步骤的检索与整合工作流

而这正是 Deep Agents 旨在帮助开发者更便捷地构建的典型场景

Sumanth（@Sumanth_077）
一个研究智能体的效能，归根结底取决于其背后的搜索层！

我基于 LangChain Deep Agents，采用“搜索优先”的架构，打造了一个以可靠来源为支撑的深度研究智能体。

该智能体能够实时规划研究路径，将任务分解为若干子步骤，在网络上展开多轮检索，对获取的文献进行推理分析，并最终生成一份完整标注出处的回答。

在本项目中，我选用 Liner 作为核心的搜索与知识锚定层。

Liner 能够返回结构化的原始搜索结果，包含标题、链接、摘要和发布时间。随后，智能体自行完成推理与综合，而不依赖搜索 API 直接输出最终答案。

这种职责分离至关重要。

搜索模块专注于精准定位所需信息，而智能体则负责甄别关键内容、比对不同来源、串联证据链，并最终形成完整的答复。

整个工作流程如下：

研究 → 规划 → 检索 → 收集文献 → 整合 → 标注引用 → 保存报告

最终回答中的每一项论断均源自检索所得的可靠文献，整份报告将以可下载的 Markdown 文档形式留存。

您还可以在 Deep Agents 的可视化界面中全面查看整个运行过程，包括研究计划、检索调用、获取的文献以及最终的综合结果。

Liner 负责信息的召回，而智能体则掌控推理、整合以及最终答案的生成方式。

Github 仓库：github.com/Sumanth077/Hands-…