点击下方“JavaEdge”选择“设为星标”第一时间关注技术干货免责声明~任何文章不要过度深思万事万物都经不起审视因为世上没有同样的成长环境也没有同样的认知水平更「没有适用于所有人的解决方案」不要急着评判文章列出的观点只需代入其中适度审视一番自己即可能「跳脱出来从外人的角度看看现在的自己处在什么样的阶段」才不为俗人。怎么想、怎么做全在乎自己「不断实践中寻找适合自己的大道」0 业务痛点标准搜索查询通常会因复杂问题而失效。学术论文、市场分析或代码调试要找到完整答案通常需拼凑数十个单独搜索。这正是深度研究的用武之地——它能够直面这一日常挑战。Google Gemini、ChatGPT 和 DeepSeek-R1 等领先 AI 平台已提供这项强大功能。深度研究凭借其智能反馈循环脱颖而出它能够识别知识缺口锁定特定问题进行系统性探索并提供全面的报告。不同于传统的碎片化信息搜索深度研究提供的答案既广泛又深入。本文展示咋用 Dify 构建深度研究工作流主要包含三个关键组件循环变量、结构化输出和代理节点。创建一个能够独立进行研究并提供有意义见解的工作流。工作流概述Dify 中的深度研究工作流程分三阶段意图识别工作流程捕捉您的研究主题收集初始背景并分析目标以确定明确的方向。迭代探索工作流程使用循环变量来评估知识以发现差距、运行有针对性的搜索并逐步建立发现。综合所有收集到的信息都成为一份带有适当引用的结构化报告。它反映了专家研究人员的思考“我已经知道什么缺少什么下一步我应该研究什么”1 第一阶段研究基础1.1 起始节点应首先用基本输入参数配置开始节点研究主题需要探索的核心问题最大循环本次研究会话的迭代预算背景知识获取建议使用Exa Answer工具收集初步信息确保模型在深入研究之前理解术语。意图分析需使用LLM节点来挖掘用户的真实意图从而区分表面问题和进一步的信息需求。2 第二阶段动态研究周期循环节点研究引擎循环节点驱动着整个研究。在 Dify 中它跨迭代传递信息因此每个循环都建立在先前的发现之上。Dify的深度研究工作流程跟踪六个关键变量findings: 每个周期发现的新知识executed_querys: 以前使用的搜索查询防止冗余current_loop: 迭代计数器visited_urls: 正确引用的来源跟踪image_urls: 视觉内容引用knowledge_gaps: 已确定的信息需求循环变量 V.S 标准变量正常参考遵循线性路径节点 1 → 节点 2 → 节点 3循环引用前一次迭代创建一个知识网络节点可以访问当前迭代和前一次迭代的输出这种设计可以积累知识避免重复工作并在每个周期中增强焦点。推理节点提出更好的问题推理节点采用结构化输出格式ounter(lineounter(lineounter(lineounter(lineounter(line{ reasoning: Detailed justification for the chosen action path..., search_query: Specific follow-up question targeting knowledge gaps, knowledge_gaps: Information still needed to answer the original question}通过在 LLM 节点中启用 Dify 的结构化输出编辑器您将收到一致的 JSON以便下游节点能够可靠地处理。这可以清晰地提取推理路径、搜索目标和知识缺口。代理节点进行研究好的问题只是开始。有效的研究需要果断的行动而这正是Agentnode 所擅长的。这些节点充当自主研究人员的角色根据具体情况选择最合适的工具。工作流为代理提供了以下功能发现工具exa_search: 进行网络搜索并收集结果exa_content: 从特定来源获取完整内容分析工具think作为系统的反思引擎灵感源自 Claude 的 Think Tool。它使代理能够评估发现、识别模式并确定后续步骤这与研究人员暂停工作以整合笔记并规划其方法非常相似。可通过仅向代理提供其所需的内容来优化性能仅提供来自上一个 LLM 节点的 search_query而不是整个上下文。这种专注的方法可以提高工具选择的准确性。URL 提取工作流自动识别代理响应中的 URL 和视觉参考从而正确跟踪所有信息源。在每次迭代中代理通过收集信息、处理内容和整合研究结果来完成一个完整的研究周期。变量赋值每个周期结束后变量分配器节点都会更新研究状态。这确保每次迭代都建立在先前工作的基础上而不是重复工作。3 第三阶段研究综合一旦多个探索周期完成最终摘要节点就会采用所有累积变量发现、来源和支持数据来生成综合报告。设置此节点是为了维护正确的 Markdown 引用并编制完整的参考文献列表。该工作流程还在关键节点设置了答案节点以便在整个研究过程中提供流式更新。这些更新将最终报告构建成全面的分析和有效的参考文献兼具分析深度和学术可信度。总结本《深度研究指南》展示了 Dify 代理工作流程的卓越成就。Dify将专家研究方法数字化并通过自动化加速其进程。未来的研究不仅仅在于拥有更多数据更在于以更智能的方式探索数据。立即借鉴这些模式构建您的研究引擎。参考https://github.com/dzhng/deep-researchhttps://github.com/jina-ai/node-DeepResearchhttps://github.com/langchain-ai/local-deep-researcherhttps://github.com/nickscamara/open-deep-research本文已收录在Github关注我紧跟本系列专栏文章咱们下篇再续 魔都架构师 | 全网30W技术追随者 大厂分布式系统/数据中台实战专家 主导交易系统百万级流量调优 车联网平台架构 AIGC应用开发先行者 | 区块链落地实践者 以技术驱动创新我们的征途是改变世界 实战干货编程严选网加我好友一起AI探索交流写在最后编程严选网http://www.javaedge.cn/专注分享AI时代下软件开发全场景最新最佳实践点击文末【阅读原文】即可直达~