技能介绍

解决复杂的多源信息检索与综合难题

在构建自主 Agent 时，让模型仅凭内部知识回答实时或高度专业化的问题往往会导致幻觉或信息滞后。当需要跨多个搜索引擎、新闻源或文档库收集信息，并将其整合成结构严谨、引用准确的深度报告时，单次 LLM 调用或简单的 RAG 管道显得力不从心。开发者迫切需要一种能够编排复杂检索、压缩与综合步骤的工作流，同时允许灵活配置底层模型和搜索后端。

基于 Open Deep Research 的编排工作流

该技能将 Open Deep Research 集成到 Agent 的能力体系中，通过 LangGraph 驱动可配置的深度研究流程。其核心能力在于将复杂的研究任务拆解为多个专门子任务，并由不同的 LLM 协同完成：

多源搜索与抓取：支持接入多种搜索后端，从不同渠道获取原始资料。
信息压缩与合成：利用 LLM 对检索到的海量文本进行提炼、去重和上下文压缩。
报告生成与引用：将综合后的洞察转化为结构化的最终报告，并自动附加准确的引用来源。
模型与工具灵活路由：通过 init_chat_model() API 支持广泛的 LLM 提供商，允许开发者为搜索、压缩、合成等不同环节指定最合适的模型。

适用边界与关键注意事项

虽然该技能提供了强大的研究编排能力，但在工程落地时需注意以下约束：

模型能力要求：所选的 LLM 必须具备结构化输出（Structured Outputs）和工具调用（Tool Calling）能力，这是流程中多步骤状态传递和工具交互的基础。
环境依赖：需要配置 Python、uv 包管理器，以及有效的模型 API 凭证和至少一个受支持的搜索工具 API。
运行模式：默认通过 LangGraph Studio UI 提供服务，本地 API 通常暴露在 http://127.0.0.1:2024，适合本地开发与调试，生产环境部署需参考上游文档进行相应调整。