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：

1. 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。

2. 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。

3. 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 Agent node 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/dzhng/deep-research

• https://github/jina-ai/node-DeepResearch

• https://github/langchain-ai/local-deep-researcher

• https://github/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/

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~