企业级自动化调研系统（DeepResearch · Dify）

什么叫「Deep Research」

不是「搜索 + 总结」就完事。Deep Research 要做 4 件事：

1. 拆解：把一个模糊问题拆成几个可检索的子问题
2. 多源取证：在多个网页 / 文档里取证据，不依赖单一来源
3. 可追溯：每个断言都能指回原文
4. 结构化报告：用户能直接拿去用，不是一堆 bullet point

完整 workflow 图

START
 └─ Intent classify (DeepSeek) → {NeedMoreInfo | Decompose | Execute}
     ├─ NeedMoreInfo → 让用户补充缺失信息，累积上下文，回流
     ├─ Decompose    → 提议 2-3 个子问题大纲，让用户确认
     └─ Execute ↓
         ├─ Topic decompose (DeepSeek) → main_intent, key_dimensions,
         │                                subtopics[{title, description, suggested_query}]
         ├─ Iterate over subtopics (parallel):
         │    └─ Research Agent (ReAct, DeepSeek)
         │         ├─ tavily_search  (focused query)
         │         ├─ tavily_extract (≤2 URLs → markdown)
         │         └─ emit JSON: {queries, new_sources, new_findings,
         │                        coverage, should_continue, stop_reason}
         │    └─ Accumulate (code): URL→sid 去重，merge findings，append history
         ├─ Markdown format (code): sources → 编号引用列表
         └─ Report writer (Qwen3-max) → 带 [^sid] 脚注的 Markdown 报告

三路意图门的价值

直接让 Agent 跑前先停一秒：用户问的到底是不是个完整问题？

用户输入：「分析一下新能源汽车行业」

❌ 烂方案：立刻拆解 → 浪费搜索预算 → 给一份泛泛报告
✅ 好方案：意图门返回 NeedMoreInfo → 反问「关注哪个细分？哪个地区？时间窗？」

NeedMoreInfo 让 Agent 主动反问，把搜索预算用在已确认的问题上。这一步省下来的成本，比后面用最快模型快个 30% 实际得多。

拆解节点的「检索友好」原则

主题 decompose 输出：
{
  "main_intent": "了解 2024 年新能源汽车在欧洲市场的渗透率变化",
  "key_dimensions": ["销量数据", "政策影响", "供应链", "消费者态度"],
  "subtopics": [
    {
      "title": "欧洲主要国家新能源车销量",
      "description": "...",
      "suggested_query": "EV sales Europe 2024 by country market share"
    },
    ...
  ]
}

suggested_query 是写给搜索引擎看的，不是给人看的——所以用英文、关键词式、量化指标，禁掉「背景」「发展」这种空泛词。

ReAct Research Agent 的强约束输出

{
  "queries": ["EV sales Europe Q3 2024 Germany France UK"],
  "new_sources": [
    {"sid": "src_001", "url": "https://...", "title": "...", "snippet": "..."}
  ],
  "new_findings": [
    {
      "claim": "2024 Q3 欧洲新能源汽车销量同比下降 5.2%",
      "quote": "European EV sales fell 5.2% YoY in Q3 2024...",
      "confidence": 0.9,
      "sid": "src_001"
    }
  ],
  "coverage": {
    "销量数据": "covered",
    "政策影响": "partial",
    "供应链": "uncovered",
    "消费者态度": "uncovered"
  },
  "should_continue": true,
  "stop_reason": null
}

每个 claim 必须有 quote 兜底，不准空口断言。coverage map 让 Agent 知道哪些维度还没覆盖到，should_continue / stop_reason 让它自己决定何时停止。

稳定 sid 去重的小技巧

不同 subtopic 经常引用同一个网页——Markdown 报告里如果引用号每次都新生成，最后参考文献会重复一大堆。所以 code 节点在每次累积 findings 前先跑：

def accumulate(state, new_sources, new_findings):
    # 标准化 URL
    for src in new_sources:
        normalized = normalize_url(src["url"])  # 去 utm_*, 统一协议等
        existing_sid = state["url_to_sid"].get(normalized)
        if existing_sid:
            src["sid"] = existing_sid  # 复用旧 sid
        else:
            new_sid = f"src_{len(state['sources']):03d}"
            state["url_to_sid"][normalized] = new_sid
            state["sources"][new_sid] = src
            src["sid"] = new_sid

    # findings 去重 (sid, claim, quote)
    seen = set()
    for f in new_findings:
        key = (f["sid"], f["claim"], f["quote"])
        if key not in seen:
            seen.add(key)
            state["findings"].append(f)
    return state

报告写手的固定结构

Qwen3-max 拿到 findings + history + sources_markdown，必须按这个结构写：

# {main_intent}

## 概述
一段总览 + [^sid] 脚注引用 ...

## 关键维度分析
### {dimension_1}
分析文字，每个事实带 [^sid] ...

### {dimension_2}
...

## 关键发现
- 发现 1 [^sid]
- 发现 2 [^sid]
- 证据不足的点：用「（证据不足）」明确标注，不要硬写

## 参考来源
{自动生成的编号列表}

「证据不足」是关键——不许编。

多模型路由

• DeepSeek：意图判断 / 拆解 / Research Agent（reasoning-heavy）
• Qwen3-max：最终报告写作（中文流畅度更好）
• Tavily Search + Extract：网页检索 + 内容抽取

诚实边界

这是 Dify workflow，跑在 Dify 平台上，需要 DeepSeek + Qwen + Tavily 3 个 API key。没有「打包好的开箱即用」二进制，价值在编排设计而不是「我写了个新框架」。

价值点

• 复杂 Dify workflow 设计：分支意图控制、并行迭代、code 节点状态累积、多模型路由
• 证据纪律：claim + quote + confidence、URL → sid 去重、脚注引用、显式标注「证据不足」
• 知道何时低代码是对的工具——也能诚实说出「价值在编排，不在代码」