DeepTutor深度研究模块使用教程从主题分解到带引用报告【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutorDeepTutor 的 Deep Research 模块能力名deep_research解决的是一次对话答不深的问题单个研究问题在普通聊天里只能得到一段笼统回答而这条流水线会先和你确认研究范围把主题拆成子主题分派给各子主题去检索 RAG、网络搜索和学术论文最后汇总成一份带引用锚点的结构化报告。本教程讲清楚这条 Deep Research 模块流水线的走法、配置方法和常用调参。Deep Research 流水线是怎么运转的整条流水线在 deeptutor/agents/research/pipeline.py 里分四个阶段依次执行rephrasing重述模型通过ask_user工具向你澄清研究意图最多 3 轮、每轮最多 3 个问题结束时输出精炼后的研究主题。decomposing分解一次调用把精炼主题拆成 N 个子主题默认 5 个然后流水线主动停下把子主题大纲作为预览返回给你。你确认后才会带着confirmed_outline发起第二次运行。researching研究每个子主题变成动态队列里的一个TopicBlock各自跑THINK/TOOL/APPEND/FINISH代理循环去取证APPEND允许模型把研究中新发现的子主题追加回队列。reporting报告按报告大纲 → 引言 → 逐节 → 结论顺序生成引用由CitationManager注入锚点。Web 端在 Chat Workspace 里选择 Deep Research 能力即可触发同样流程CLI 端则是deeptutor run deep_research两者共享同一套参数。用 CLI 跑一次端到端 Deep Research以调研 Transformer 模型在 NLP 中的架构演进与应用现状为例完整走一遍。第一步克隆并安装 DeepTutorgit clone https://gitcode.com/GitHub_Trending/dee/DeepTutor cd DeepTutor pip install -e .第二步发起研究。下面这条命令里--tool声明本次研究允许使用哪些取证工具--config-json指定报告模式report和标准深度standarddeeptutor run deep_research Transformer模型在NLP中的架构演进与应用现状 \ --tool web_search --tool paper_search \ --config-json {mode: report, depth: standard}你会先看到澄清问题如果意图足够明确则跳过随后是一个大纲预览输出里带sub_topics列表此时还没开始真正检索。第三步确认大纲继续执行。把你想保留、修改过的子主题放进confirmed_outline再跑一次流水线会跳过前两阶段直接进入研究和报告deeptutor run deep_research Transformer模型在NLP中的架构演进与应用现状 \ --tool web_search --tool paper_search \ --config-json {mode:report,depth:standard,confirmed_outline:[{title:自注意力机制与变体,overview:核心机制及其改进},{title:GPT/BERT系列模型,overview:解码器/编码器范式与代表模型}]}执行过程中按阶段输出researching和reporting的进度最终报告落在默认研究输出目录./data/user/workspace/chat/deep_research可在配置里通过research_output_dir、research_reports_dir调整结果元数据里带block_count完成的子主题块数和citation_count引用数。挂上自己的知识库只需加--kbrag会自动挂载块级研究循环就能检索你的私有资料deeptutor run deep_research 结合我的材料总结该领域近两年的进展 \ --kb my_papers --tool rag \ --config-json {mode: notes, depth: quick}三个值得展开的内部机制块级循环的取证工具被固定为四个白名单rag、web_search、paper_search、code_execution。每次工具调用的原始结果写进ToolTrace超过 50KB 会智能截断同时登记进CitationManager拿到类似CIT-1-01的引用编号——报告阶段的引用锚点就来自这份登记表所以报告里的每条结论都能回溯到具体来源。动态主题队列APPEND 自我扩展与去重DynamicTopicQueue在 deeptutor/agents/research/data_structures.py 里每个块有PENDING → RESEARCHING → COMPLETED/FAILED四种状态。它做三件事记录每个块的取证轨迹允许块级循环通过APPEND把新发现的子主题追加到队尾会记下parent_block_id报告端可据此重建主题树用find_similar做模糊匹配相似度阈值 0.85拦截模型换个说法重复提交同一主题的倾向。这样设计是因为真实研究过程里边查边发现新方向是常态但放任模型加题会让研究失控所以追加受队列上限和去重双重约束。你能控制的是上限本身它由 depth 决定见下节manual深度下等于subtopics 2。深度预设串行/并行、迭代次数与并行度depth不只是一个形容词它直接决定三个执行参数每个块的max_iterations、串行还是并行、并行度。quick配 1 次迭代、串行、队列上限 2standard配 3 次迭代、串行、上限 5deep配 5 次迭代、并行 3 路、上限 8。浅层问题串行跑完更快更省 token深度研究则必须并行才能在可接受时间内结束。mode再叠加一层notes/report/comparison/learning_path四种模式分别控制子主题数量自动分解时 quick/standard/deep 对应 2/4/6 个手动模式对应 2/3/4 个、各节最小长度和输出风格其中comparison在 deep 深度下额外允许code_execution方便跑对比实验。配置与调参四个 depth 预设的完整取值depth每块迭代上限执行模式并行度队列上限quick1串行12standard3串行15deep5并行38manualmanual_max_iterations默认 3子主题 ≤3 时串行否则并行min(子主题数, 3)subtopics 2可用的调参手段depth四个取值见上表manual是手动档。manual_subtopics/manual_max_iterations仅manual深度生效取值范围 1–10用来同时控制拆几个子主题、每个块最多迭代几次。modereport是通用报告自动分解notes偏学习笔记comparison要求输出对比表格learning_path生成带 Checkpoint 的学习路径。--kb--tool挂知识库后rag自动挂载只开--tool web_search就是纯网络研究。提示词自定义各阶段的措辞模板在 deeptutor/agents/research/prompts/ 下zh/pipeline.yaml和en/pipeline.yaml分别对应中英文改完立即对下一轮研究生效。踩坑速查症状报告提示部分研究子主题未能完成。原因对应块在max_iterations内没给出FINISH被标记为 failed流水线用剩余证据继续出报告并显式警告。解法升到deep深度或manual深度把manual_max_iterations调到 10子主题多时也可接受串行manual下子主题 ≤3 自动串行换取单块时间。症状模型反复 APPEND 新主题但队列不涨。原因新主题与已有块模糊匹配度 ≥0.85 被去重或队列已到max_length。前者是设计行为模型会转用现有证据后者把 depth 调大上限从 2/5/8 递增或减小manual_subtopics即可。症状挂了知识库报告里却几乎没有 rag 结果。原因块级工具列表只包含你显式启用 自动挂载的工具--kb没写对名字时rag不会挂载。解法先确认知识库名再显式加--tool rag。症状分解出来的子主题太散或跑偏。原因自动分解的上限由 depth 决定deep 最多 6 个模型自由发挥空间大。解法用manual深度 manual_subtopics压住数量或直接在确认环节删改confirmed_outline——这是流水线专门留给你的干预点。下一步用deeptutor kb建好知识库后试着跑一次mode: comparisondepth: deep的研究观察code_execution参与对比实验的完整轨迹想弄清报告是怎么逐节拼装的从 deeptutor/agents/research/pipeline.py 的 reporting 阶段读起提示词对照 deeptutor/agents/research/prompts/zh/pipeline.yaml。【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
`)
