深度搜索Agent核心问题其实就有两个怎么把复杂问题拆得合理以及怎么判断搜索结果够不够用。近两年深度搜索Agent发展很快各家的实现思路也越来越成熟围绕这两个问题业界逐渐沉淀出几种主流架构从最基础的Planner-Only到加入评估反馈的双模块设计再到Sentient Labs提出的递归式方案。这篇文章将整理这些架构并顺便附上一些实用的prompt模板。迭代式搜索Agent在讨论更复杂的架构之前先回顾一下最基础的迭代式搜索Agent。这类Agent通常基于ReActReasoning and Acting范式工作流程很简单接收问题→思考→调用工具搜索→观察结果→继续思考→再搜索…如此循环直到找到满意的答案。但是这种简单的迭代模式有个问题当面对复杂查询时单线程一步步搜效率太低。于是就有了并行工作流的思路把一个大问题拆成多个子查询让多个搜索任务同时跑。Planner-Only架构但并行工作流又有个明显的短板子查询数量是写死的。实际情况是简单问题拆2-3个子查询就够了而复杂问题可能要拆5-6个甚至更多。也就是说子查询的拆分应该是动态的而不是预先固定。Planner LLM就是为解决这个问题产生的。它的作用很简单就是分析用户问题的复杂度决定应该拆成多少个子任务每个子任务负责什么以及应该调用哪些工具。一个典型的Planner提示词结构如下# MAKE A STRATEGY/PLAN, YOU HAVE ACCESS TO FOLLOWING TOOLS ↳ describe tools their input parameters here # GUIDELINES FOR QUERY COMPLEXITY, TOOL CALLS #SUBAGENTS ↳ simple fact finding queries requires just 1 subtask with 3-10 tool calls. ↳ direct comparison queries might need 2-5 subtasks with 10-15 tools call each. ↳ complex research might use more than 10 subtasks with clearly divided responsibilities # CLEARLY DEFINE EACH SUBAGENTS ROLE IN FOLLOWING FORMAT { objective :- output_format :- tool_guidance :- rationale :- } # HEURISTICS FOR TOOL GUIDANCE (basically here we are doing Tool RAG) examine all available tools first, match tool usage to subagent objective, search the web only for broad external information or prefer specialized tools over generic ones.这个提示词模板的设计思路值需要注意的是首先告诉Planner有哪些工具可用然后给出不同复杂度问题的拆分参考标准最后要求它为每个子Agent明确定义目标、输出格式和工具使用指导。这样Planner输出的计划才足够具体下游的执行Agent才能照着执行。Planner承担的任务复杂度高是整个架构的核心节点。所以强烈建议用推理能力强的模型来做Planner比如GPT-4o、Claude 3.5 Sonnet或者专门的推理模型如o1、DeepSeek-R1等。停止条件的处理有了Planner问题拆分的问题解决了但还有另一个老问题ReAct循环什么时候该停传统做法是手动设一个固定阈值靠经验调参比如最多跑5轮但这显然不够灵活因为复杂查询需要更多轮迭代简单查询几轮就够了。固定阈值要么会让简单问题跑太多轮浪费资源要么会让复杂问题提前结束拿不到完整答案。所以解决办法是引入一个评估器LLM每轮迭代后让评估器判断当前答案是否已经足够好如果够好就停不够就继续跑。评估器的提示词可以这样写# TASK Your task is to analyse and determine if following information is sufficient or there are knowledge gaps?? Provide reasoning for your answer # Question add here the user question # Generated Answer add here the answer generated by this iteration of ReAct # OUTPUT FORMAT { is_sufficient: true/false reasoning: knowledge_gap: }评估器需要做两件事判断当前答案是否充分以及如果不充分的话缺的是什么。knowledge_gap字段很关键它可以指导下一轮迭代应该往哪个方向搜。澄清问题机制OpenAI在评估器的基础上又加了一层设计。他们观察到有些特别刁钻的问题LLM怎么搜都找不到满意的答案评估器一直返回is_sufficient false循环就没完没了。这种情况往往不是搜索能力的问题而是问题本身定义不清比如用户问最好的笔记本电脑是哪个这里的最好指什么性价比最高性能最强便携性最好不同的理解会导向完全不同的搜索方向。所以OpenAI的方案是当评估器发现反复搜索都无法得到充分答案时不如让Agent主动问用户几个澄清问题把人拉进来帮忙明确需求。这就是所谓的human-in-the-loop设计。检查清单评分而SamayaAI提出了另一种评估思路检查清单评分这个方案对长篇幅答案特别有效。传统评估器面对长答案容易晕单个LLM很难在一大段文本里保持完整的推理链上下文一长就开始丢信息评估结果也就不太靠谱了。SamayaAI的想法是与其让评估器去理解和评判整个答案的内容质量不如换个角度来评估答案是否符合预设的结构规范这个结构规范就是所谓的检查清单。比如说如果用户问的是对比A和B两个产品检查清单可能包括是否分别介绍了A和B的特点是否有价格对比是否有优缺点总结是否给出了推荐建议评估器只需要逐项打勾比从头读完整个答案再打分要简单得多。# TASK Your task is to analyse and determine if the answer follows following checklist or not. If not the identify knowledge gaps. Provide reasoning for your answer. # Question add here the user question # Generated Answer add here the answer generated by this iteration of ReAct # Checklist add your checklist here # OUTPUT FORMAT { is_sufficient: true/false reasoning: knowledge_gap: }Planner Plan Evaluator双模块架构前面说的评估器主要是评估搜索结果但其实Planner生成的计划本身也可能有问题。于是就有了Planner Plan Evaluator的双模块设计先让Planner生成计划再让评估器审核这个计划靠不靠谱通过了再执行。Plan Evaluator有几种典型的设计思路。思路一多计划竞争。让Planner并行生成多个执行计划评估器从中挑最优的那个。这样能提高计划质量但代价是成本和延迟都会上升——多生成几个计划就多几倍的token消耗。思路二单计划审核。先生成一个计划评估器判断好坏好就执行不好就打回去重新生成。这个思路成本更可控但可能需要多轮打回-重生成才能得到合格的计划。计划出问题一般都会是以下几种情况目标失败Agent没完成任务或者完成了但违反了约束条件。比如让模型规划一趟从旧金山到印度的两周旅行预算5000美元结果它给你规划到越南去了或者确实规划了印度行程但预算直接超了。工具失败这又分好几种情况。可能是生成了根本不存在的工具名比如调用bing_search但工具库里压根没这个可能是工具对了但参数个数不对lbs_to_kg只需要一个参数,它传了俩也可能是参数个数对了但值填错了该传120传成了100。Plan Evaluator需要针对这些常见问题设计检查逻辑在计划执行前就把明显的错误拦住避免浪费执行资源。递归搜索Agent前面介绍的架构本质上都是迭代式的但从算法角度看迭代能做的事递归也能做而且递归天然适合处理可分解的层次化问题。Sentient Labs就按照这个思路搞出了ROMARecursive Open Meta Agent。ROMA的核心思想是把复杂问题递归地分解成子问题每个子问题再独立处理。和普通的并行拆分不同ROMA的子问题之间可以有依赖关系——某个子问题的答案可能是另一个子问题的输入。这种设计更符合复杂研究任务的实际结构。上图是ROMA的简化版本完整架构还有一层基于依赖图的信息抽取机制。依赖图用来管理子问题之间的前后关系确保有依赖的任务按正确顺序执行。递归架构的优势在于理论上可以处理任意深度的复杂查询只要问题能被合理分解。但工程实现上也更有挑战需要处理好递归深度控制、子问题结果合并、错误传播等问题。总结这几种架构并不是非此即彼的关系。Planner-Only适合入门实现简单调试方便加上评估器后系统变得更智能但复杂度和成本也跟着上来检查清单评分这类方案对长文档输出效果不错值得在特定场景下尝试而ROMA的递归思路理论上能处理更深层次的复杂查询不过工程实现的门槛也更高。实际落地时可以先从简单架构跑通再根据具体问题逐步叠加模块。毕竟Agent系统的调试本身就不容易一上来就搞太复杂容易把自己绕进去。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】