目前的 DeepInsight V1.0 成功验证了基于 LangGraph 的多智能体闭环协作模式。V2.0 的核心目标是引入 S2S2R (Search-to-Store-to-RAG) 架构,通过自动化链路将全网搜索信息转化为本地持久化知识库,实现“知识随任务自动增长”的动态进化能力。
- 技术动机:解决单一搜索工具(Tavily)的信息碎片化、重复计费以及缺乏长期沉淀的问题。
- 升级方案:
- Search (搜索):Researcher 节点获取海量原始信息。
- Store (存储):新增
Knowledge_Staging模块,将搜索结果(Title/URL/Content)自动清洗并格式化为本地 Markdown 文档。 - Index (建索引):利用 ChromaDB 监听本地文件夹,实时对新增文档进行增量向量化索引。
- Retrieve (RAG):后续生成任务优先从本地向量库检索,仅在信息不足时才触发新的 Web 搜索。
- 预期效果:系统随着使用次数的增加,会逐渐形成一个垂直行业的私有“百科全书”。
- 技术动机:实现 Agent 对用户偏好和历史决策的深度对齐。
- 升级方案:
- 短期记忆 (Short-term):集成 LangGraph 持久化层,支持任务的中断恢复、多分支路径实验与状态回溯。
- 长期记忆 (Long-term):
- Preference Learning:自动从 Reviewer 的反馈中提取用户对文风、数据颗粒度、报告结构的偏好。
- Instruction Tuning:将高频修正项转化为系统提示词的动态增量(Dynamic Prompting)。
- 预期效果:实现“越用越懂你”的个性化调研体验。
graph TD
Start((开始)) --> Planner
Planner --> Researcher
subgraph S2S2R_Engine [S2S2R 动态知识库引擎]
Researcher --> WebSearch[Tavily Search]
WebSearch --> DocStaging[结果持久化: 本地 .md]
DocStaging --> VectorIndexing[增量向量索引]
VectorIndexing --> VectorDB[(ChromaDB 知识库)]
VectorDB --> LocalRetriever[本地 RAG 检索]
end
LocalRetriever --> Writer
Writer --> Reviewer{质量审计}
subgraph Memory_System [记忆反馈循环]
Reviewer -- "反馈" --> MemoryAgent[Memory Agent]
MemoryAgent --> LongTermMemory[(长期记忆库)]
LongTermMemory -- "注入上下文" --> Planner
end
Reviewer -- "达标" --> End((输出))
- 编写
FilePersistenceTool,实现搜索结果到 Markdown 的自动转换。 - 集成 ChromaDB 并实现本地文件夹的自动监听与索引。
- 开发
Search_Router,智能判定“优先本地 RAG”还是“触发全网 Search”。 - 实现跨任务的数据融合逻辑,支持多份报告信息的交叉验证。
- 接入 SqliteSaver 实现任务级的断点续传。
- 训练简单的偏好提取 Prompt,实现长期记忆的闭环。
本提案展示了应聘者在 Agent 开发领域的深度工程化思维:
- 数据闭环能力:S2S2R 架构展示了从“获取数据”到“治理数据”再到“应用数据”的完整闭环。
- 成本与效率意识:通过本地缓存与 RAG 显著降低 API 消耗,是企业级应用的核心考量。
- 架构前瞻性:不仅解决了当前任务,更考虑了系统的“知识复用”与“长期演进”。
Author: LessXi Date: March 2026 Project: DeepInsight