Agentic Research：基于多智能体协作的自动化研究助手框架

一个支持本地与云端部署的多智能体研究AI工作流，通过规划、检索、写作三层智能体协作完成研究任务，并内置完整的模型基准测试能力。

在信息爆炸的时代，研究人员和开发者每天都需要处理海量的文献、代码仓库和技术文档。传统的搜索方式往往是线性的：输入关键词、浏览结果、手动整理。这种方式不仅效率低下，而且容易遗漏关键信息。随着大型语言模型能力的提升，人们开始探索如何让AI主动承担研究工作的各个环节——从规划查询策略到整合信息，再到撰写结构化报告。

Agentic Research 正是在这一背景下诞生的开源项目。它不是一个简单的聊天机器人，而是一个由多个专门化智能体组成的协作系统，旨在模拟人类研究者的思考和工作流程。

Agentic Research 的核心设计理念是将研究任务分解为三个逻辑阶段，每个阶段由专门的智能体负责。这种分工协作的模式不仅提高了任务执行的准确性，也使得整个流程更加透明和可调试。

当用户输入研究主题后，规划智能体会首先分析问题的结构，制定一套系统的检索策略。它不会盲目搜索，而是将复杂的研究问题拆解为多个子查询，每个子查询都包含明确的搜索词和检索理由。这种前置规划确保了后续检索的针对性和全面性。

例如，当用户询问"检索增强生成技术"时，规划智能体可能会生成如下查询计划：

• 检索"RAG架构的基本原理"，了解技术背景
• 检索"向量数据库在RAG中的应用"，掌握实现细节
• 检索"RAG与微调的性能对比"，获取评估数据

规划完成后，系统会并行启动多个检索智能体，每个智能体负责执行计划中的一个查询任务。这种并行处理显著提升了信息收集的效率。检索智能体通过知识库工具搜索相关内容，并对结果进行初步的摘要和筛选。

项目支持多种检索后端：

• OpenAI 向量搜索：利用 FileSearchTool 对接 OpenAI 的向量存储服务
• 本地向量搜索：基于 sentence-transformers 的本地嵌入模型，数据完全保留在本地
• ChromaDB 集成：通过 DataPrep 服务路由检索请求，支持分布式部署

当所有检索任务完成后，写作智能体接收来自各个检索智能体的摘要结果，进行信息整合和结构化输出。它不只是简单拼接文本，而是会识别信息之间的关联，构建逻辑清晰的研究报告。最终输出包括背景介绍、关键技术点分析、对比评估以及结论建议。

Agentic Research 的一大优势在于其部署架构的灵活性。项目提供了完整的 Docker 支持，涵盖从个人笔记本到 NVIDIA DGX Spark 企业级GPU集群的多种场景。

对于个人开发者，项目支持通过 uv 包管理器快速启动：

uv sync --extra dev
uv run dataprep_server
uv run agentic-research

这种模式下，所有组件运行在本地，数据不出机器，适合处理敏感信息或进行原型验证。