Dify 中的深度研究工作流：分步指南

摘要：
本文详细介绍如何在 Dify 中构建“深度研究”（Deep Research）工作流。通过结合循环变量、结构化输出和 Agent 节点，实现从意图识别到迭代探索再到综合报告的自动化流程。该方案模拟专家思维，有效解决复杂问题的信息碎片化难题，提升调研效率与报告质量。

标准搜索查询往往难以应对复杂问题。无论是学术论文、市场分析还是代码调试，找到完整的答案通常意味着需要拼接数十次单独的搜索结果。深度研究（Deep Research） 应运而生——它直面这一日常挑战。Google Gemini、ChatGPT 和 DeepSeek-R1 等主流 AI 平台现已提供这项强大的功能。

深度研究的亮点在于其智能反馈循环：它能识别知识盲区，锁定具体问题，进行系统性探索，并最终交付综合报告。与传统搜索将信息碎片化不同，深度研究提供的答案既广泛又深入。

本指南将展示如何利用 Dify 中的三个关键组件构建深度研究工作流：循环变量（Loop Variables）、结构化输出（Structured Outputs）和 Agent 节点。你将创建一个能够独立进行研究并交付有意义见解的工作流。

工作流概览

Dify 中的这个深度研究遵循三个阶段：

1. 意图识别 (Intent Identification)
   工作流捕获你的研究主题，收集初始上下文，分析目标以确立清晰的方向。
2. 迭代探索 (Iterative Exploration)
   工作流利用循环变量评估现有知识、发现盲区、运行针对性搜索，并逐步构建研究成果。
3. 综合总结 (Synthesis)
   所有收集的信息被整合成一份带有适当引用的结构化报告。

它模拟了专家研究人员的思维过程：“我已经知道了什么？还缺什么？下一步该看哪里？”

第一阶段：研究基础

Start Node（开始节点）

首先，配置 Start 节点以包含必要的输入参数：

• research topic：研究主题。需要探索的核心问题。
• max loop：最大循环次数。本次研究的迭代预算限制。

背景知识获取 (Background Knowledge Acquisition)

我们建议使用 Exa Answer 工具来收集初步信息，确保模型在深入之前理解相关术语。

意图分析 (Intent Analysis)

你需要使用一个 LLM（大语言模型）节点来挖掘用户的真实意图，从而区分表面问题与进一步的信息需求。

第二阶段：动态研究循环

Loop Node（循环节点）：研究引擎

Loop 节点驱动整个研究工作。在 Dify 中，它跨迭代传递信息，使每个周期都建立在前一次发现的基础上。

我们的深度研究工作流跟踪六个关键变量：

• findings：新发现的知识点。
• executed_querys：已执行的搜索查询（防止重复）。
• current_loop：当前循环计数器。
• visited_urls：来源追踪，用于正确引用。
• image_urls：视觉内容参考链接。
• knowledge_gaps：识别出的信息缺口/需求。

循环变量与标准变量的根本区别：

• 普通引用 (Normal references) 遵循线性路径：节点 1 → 节点 2 → 节点 3。
• 带前次迭代引用的循环 (Loop with Previous Iteration Reference) 创建知识网络：节点可以访问当前和之前迭代的输出结果。

这种设计能够积累知识，避免重复劳动，并使每次循环的焦点更加精准。

Reasoning Node（推理节点）：提出更好的问题

Reasoning 节点配合结构化输出格式使用，其 JSON 结构如下：

{
  "reasoning": "所选行动路径的详细理由...",
  "search_query": "针对知识缺口提出的具体后续问题",
  "knowledge_gaps": "回答原始问题仍需要的信息"
}

通过启用 LLM 节点中的 Dify 结构化输出编辑器，你将获得一致的 JSON 格式。下游节点可以可靠地处理这些数据，从而清晰地提取推理路径、搜索目标和知识缺口。

Agent Node（智能体节点）：执行研究

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 节点的强项。

这些节点充当自主研究人员，为每个上下文选择最合适的工具。我们的工作流赋予 Agents以下能力：

发现工具 (Discovery Tools)

• exa_search：进行网页搜索并收集结果。
• exa_content：从特定来源获取完整内容。

分析工具 (Analytical Tools)

• think：作为系统的反思引擎，灵感来源于 Claude 的 Think Tool。它使 Agent 能够评估发现、识别模式并确定下一步行动。这类似于研究人员暂停下来整理笔记并规划方法的过程。

我们可以通过仅向 Agents 提供它们所需的信息来优化性能：只提供来自上一个 LLM 节点的 search_query（搜索查询），而不是整个上下文。这种聚焦的方法提高了工具选择的准确性。

URL 提取 (URL Extraction)

工作流会自动从 Agent 响应中识别 URLs 和视觉引用，从而正确追踪所有信息来源。

在每次迭代中，Agent 通过收集信息、处理内容和整合发现来完成完整的研究循环。

变量赋值 (Variable Assignment)

每个周期结束后，Variable Assigner（变量分配器）节点会更新研究状态。这确保了每次迭代都建立在前一次工作的基础上，而不是重复劳动。

第三阶段：研究综合总结 (Research Synthesis)

当多个探索循环完成后，Final Summary（最终摘要）节点将收集所有累积的变量——发现、来源和支持数据——以生成一份全面的报告。

我们设置此节点以保持适当的 Markdown 引用格式并编译完整的参考文献列表。工作流还在关键位置配置了 Answer 节点，以便在整个研究过程中提供流式更新。这些更新逐步构建最终报告，提供具有有效引用的深入分析，结合了分析的深度与学术的可信度。

结论

本深度研究指南展示了 Dify 智能体工作流所能实现的能力。我们将专家的研究方法数字化，并通过自动化加速了这一过程。

研究的未来不仅仅在于拥有更多的数据，更在于以更聪明的方式探索这些数据。利用这些模式，立即构建你的研究引擎吧。

引用资源 (Reference)

• https://github.com/dzhng/deep-research
• https://github.com/jina-ai/node-DeepResearch
• https://github.com/langchain-ai/local-deep-researcher
• https://github.com/nickscamara/open-deep-research