feat: 添加深度分析智能体模块及相关上下文和工具

- 在 `src/agents/deep_agent` 中新增深度分析智能体模块，包含任务规划、深度知识搜索和分析能力。
- 引入 `deepagents` 库，创建深度智能体并实现复杂任务处理。
- 更新 `pyproject.toml` 以添加 `deepagents` 依赖。
- 修改 `context.py` 和 `graph.py`，为深度智能体提供专用上下文和工具支持。
- 更新文档以反映新功能和模块的集成。

docs/latest/changelog/roadmap.md

@@ -11,6 +11,8 @@
 - 集成智能体评估，首先使用命令行来实现，然后考虑放在 UI 里面展示
 - 开发与生产环境隔离，构建生产镜像 <Badge type="info" text="0.4" />
 - 集成 LangFuse (观望) 添加用户日志与用户反馈模块，可以在 AgentView 中查看信息
+- 集成 neo4j mcp （或者自己构建工具）
+- 工具组件重构以支持 todo，files 等渲染。
 
 ### Bugs
 - 部分异常状态下，智能体的模型名称出现重叠[#279](https://github.com/xerrors/Yuxi-Know/issues/279)

pyproject.toml

@@ -60,6 +60,7 @@ dependencies = [
     "tomli-w",
     "aiofiles>=24.1.0",
     "aiohttp>=3.9.0",
+    "deepagents>=0.2.5",
 ]
 [tool.ruff]
 line-length = 120  # 代码最大行宽

server/routers/system_router.py

@@ -6,8 +6,8 @@ import yaml
 from fastapi import APIRouter, Body, Depends, HTTPException
 
 from src.storage.db.models import User
-from server.utils.auth_middleware import get_admin_user, get_superadmin_user
-from src import config, graph_base
+from server.utils.auth_middleware import get_admin_user
+from src import config
 from src.models.chat import test_chat_model_status, test_all_chat_models_status
 from src.utils.logging_config import logger
 

src/agents/common/context.py

@@ -31,12 +31,12 @@ class BaseContext:
 
     thread_id: str = field(
         default_factory=lambda: str(uuid.uuid4()),
-        metadata={"name": "线程ID", "configurable": False, "description": "用来描述智能体的角色和行为"},
+        metadata={"name": "线程ID", "configurable": False, "description": "用来唯一标识一个对话线程"},
     )
 
     user_id: str = field(
         default_factory=lambda: str(uuid.uuid4()),
-        metadata={"name": "用户ID", "configurable": False, "description": "用来描述智能体的角色和行为"},
+        metadata={"name": "用户ID", "configurable": False, "description": "用来唯一标识一个用户"},
     )
 
     system_prompt: str = field(
@@ -45,7 +45,7 @@ class BaseContext:
     )
 
     model: Annotated[str, {"__template_metadata__": {"kind": "llm"}}] = field(
-        default="siliconflow/Qwen/Qwen3-235B-A22B-Instruct-2507",
+        default=sys_config.default_model,
         metadata={"name": "智能体模型", "options": [], "description": "智能体的驱动模型"},
     )
 

src/agents/common/tools.py

@@ -12,6 +12,9 @@ from src import config, graph_base, knowledge_base
 from src.utils import logger
 
 
+search = TavilySearch(max_results=10)
+search.metadata = {"name": "Tavily 网页搜索"}
+
 @tool(name_or_callable="计算器", description="可以对给定的2个数字选择进行 add, subtract, multiply, divide 运算")
 def calculator(a: float, b: float, operation: str) -> float:
     try:
@@ -69,9 +72,15 @@ def get_approved_user_goal(
 
     return result
 
-@tool(name_or_callable="查询知识图谱", description="使用这个工具可以查询知识图谱中包含的三元组信息。")
+
+KG_QUERY_DESCRIPTION = """
+使用这个工具可以查询知识图谱中包含的三元组信息。
+关键词（query），使用可能帮助回答这个问题的关键词进行查询，不要直接使用用户的原始输入去查询。
+"""
+
+@tool(name_or_callable="查询知识图谱", description=KG_QUERY_DESCRIPTION)
 def query_knowledge_graph(query: Annotated[str, "The keyword to query knowledge graph."]) -> Any:
-    """Use this to query knowledge graph, which include some food domain knowledge."""
+    """使用这个工具可以查询知识图谱中包含的三元组信息。关键词（query），使用可能帮助回答这个问题的关键词进行查询，不要直接使用用户的原始输入去查询。"""
     try:
         logger.debug(f"Querying knowledge graph with: {query}")
         result = graph_base.query_node(query, hops=2, return_format="triples")
@@ -91,8 +100,6 @@ def get_static_tools() -> list:
 
     # 检查是否启用网页搜索
     if config.enable_web_search:
-        search = TavilySearch(max_results=10)
-        search.metadata = {"name": "Tavily 网页搜索"}
         static_tools.append(search)
 
     return static_tools

src/agents/deep_agent/__init__.py

@@ -0,0 +1,22 @@
+"""Deep Agent - 深度分析智能体模块
+
+基于 deepagents 库构建的深度分析智能体，具备以下特性：
+- 任务规划和分解能力
+- 深度知识搜索和分析
+- 子智能体协作
+- 文件系统和长期记忆
+- 综合分析和报告生成
+"""
+
+from .context import DeepContext
+from .graph import DeepAgent
+
+__all__ = [
+    "DeepAgent",
+    "DeepContext",
+]
+
+# 模块元数据
+__version__ = "1.0.0"
+__author__ = "Yuxi-Know Team"
+__description__ = "基于 create_deep_agent 的深度分析智能体"

src/agents/deep_agent/context.py

@@ -0,0 +1,36 @@
+"""Deep Agent Context - 基于BaseContext的深度分析上下文配置"""
+
+from dataclasses import field
+
+from src.agents.common.context import BaseContext
+
+
+DEEP_PROMPT = """你是一个能够处理复杂、多步骤任务的深度分析代理。
+
+你拥有以下资源：
+- 用于分解复杂任务的规划工具
+- 用于存储上下文和长期记忆的文件系统
+- 用于委派专业工作的子代理
+- 知识图谱查询与分析工具
+
+你的工作方式：
+1. 仔细分析用户的请求
+2. 如果任务复杂，则制定计划
+3. 使用合适的工具和子代理
+4. 提供全面且有充分推理的回应
+5. 存储重要信息以备将来参考
+
+在分析中注重深度、准确性和全面性。"""
+
+
+class DeepContext(BaseContext):
+    """
+    Deep Agent 的上下文配置，继承自 BaseContext
+    专门用于深度分析任务的配置管理
+    """
+
+    # 深度分析专用的系统提示词
+    system_prompt: str = field(
+        default=DEEP_PROMPT,
+        metadata={"name": "系统提示词", "description": "Deep智能体的角色和行为指导"},
+    )

src/agents/deep_agent/graph.py

@@ -0,0 +1,214 @@
+"""Deep Agent - 基于create_deep_agent的深度分析智能体"""
+import os
+from typing import Literal
+from deepagents import create_deep_agent
+
+from src.agents.common import BaseAgent, load_chat_model
+from src.agents.common.tools import search
+from src.agents.common.middlewares import (
+    context_aware_prompt,
+    context_based_model,
+    inject_attachment_context,
+)
+from .context import DeepContext
+from tavily import TavilyClient
+
+# 最佳实践是初始化客户端一次并复用它。
+tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])
+
+
+# 用于进行研究的搜索工具
+def internet_search(
+    query: str,
+    max_results: int = 5,
+    topic: Literal["general", "news", "finance"] = "general",
+    include_raw_content: bool = False,
+):
+    """运行网络搜索"""
+    search_docs = tavily_client.search(
+        query,
+        max_results=max_results,
+        include_raw_content=include_raw_content,
+        topic=topic,
+    )
+    return search_docs
+
+
+sub_research_prompt = """你是一位专注的研究员。你的工作是根据用户的问题进行研究。
+
+进行彻底的研究，然后用详细的答案回复用户的问题
+
+只有你的最终答案会被传递给用户。除了你的最终信息，他们不会知道任何其他事情，所以你的最终报告应该就是你的最终信息！"""
+
+research_sub_agent = {
+    "name": "research-agent",
+    "description": (
+        "用于研究更深入的问题。一次只给这个研究员一个主题。不要向这个研究员传递多个子问题。"
+        "相反，你应该将一个大主题分解成必要的组成部分，然后并行调用多个研究代理，每个子问题一个。"
+    ),
+    "system_prompt": sub_research_prompt,
+    "tools": [internet_search],
+}
+
+sub_critique_prompt = """你是一位专注的编辑。你的任务是评论一份报告。
+
+你可以在 `final_report.md` 找到这份报告。
+
+你可以在 `question.txt` 找到这份报告的问题/主题。
+
+用户可能会要求评论报告的特定方面。请用详细的评论回复用户，指出报告中可以改进的地方。
+
+如果有助于你评论报告，你可以使用搜索工具来搜索信息
+
+不要自己写入 `final_report.md`。
+
+需要检查的事项：
+- 检查每个部分的标题是否恰当
+- 检查报告的写法是否像论文或教科书——它应该是以文本为主，不要只是一个项目符号列表！
+- 检查报告是否全面。如果任何段落或部分过短，或缺少重要细节，请指出来。
+- 检查文章是否涵盖了行业的关键领域，确保了整体理解，并且没有遗漏重要部分。
+- 检查文章是否深入分析了原因、影响和趋势，提供了有价值的见解
+- 检查文章是否紧扣研究主题并直接回答问题
+- 检查文章是否结构清晰、语言流畅、易于理解。
+"""
+
+critique_sub_agent = {
+    "name": "critique-agent",
+    "description": "用于评论最终报告。给这个代理一些关于你希望它如何评论报告的信息。",
+    "system_prompt": sub_critique_prompt,
+}
+
+
+# 用于引导代理成为专家级研究员的提示前缀
+research_instructions = """你是一位专家级研究员。你的工作是进行彻底的研究，然后撰写一份精美的报告。
+
+你应该做的第一件事是把原始的用户问题写入 `question.txt`，以便你有一个记录。
+
+使用 research-agent 进行深入研究。它会用详细的答案回应你的问题/主题。
+
+当你认为有足够的信息来撰写最终报告时，就把它写入 `final_report.md`
+
+你可以调用 critique-agent 来获取对最终报告的评论。之后（如果需要）你可以做更多的研究并编辑 `final_report.md`
+你可以根据需要重复这个过程，直到你对结果满意为止。
+
+一次只编辑一个文件（如果你并行调用这个工具，可能会有冲突）。
+
+以下是撰写最终报告的说明：
+
+<report_instructions>
+
+关键：确保答案的语言与人类信息的语言相同！如果你制定了一个待办事项计划，你应该在计划中注明报告应该使用什么语言。
+注意：报告应该使用的语言是问题所在的语言，而不是问题所涉及的国家/地区的语言。
+
+请根据整体研究简报创建一个详细的答案，该答案应：
+1. 组织良好，有恰当的标题（# 用于标题，## 用于章节，### 用于子章节）
+2. 包含研究中的具体事实和见解
+3. 使用 [标题](URL) 格式引用相关来源
+4. 提供平衡、透彻的分析。尽可能全面，并包含与整体研究问题相关的所有信息。使用你进行深入研究，并期望得到详细、全面的答案
+5. 在末尾包含一个“来源”部分，列出所有引用的链接
+
+你可以用多种不同的方式来组织你的报告。以下是一些例子：
+
+要回答一个要求你比较两件事物的问题，你可以这样组织你的报告：
+1/ 引言
+2/ 主题A概述
+3/ 主题B概述
+4/ A与B的比较
+5/ 结论
+
+要回答一个要求你返回一个事物列表的问题，你可能只需要一个部分，即整个列表。
+1/ 事物列表或表格
+或者，你可以选择将列表中的每一项都作为报告中的一个独立部分。当被要求提供列表时，你不需要引言或结论。
+1/ 项目1
+2/ 项目2
+3/ 项目3
+
+要回答一个要求你总结一个主题、给出一份报告或概述的问题，你可以这样组织你的报告：
+1/ 主题概述
+2/ 概念1
+3/ 概念2
+4/ 概念3
+5/ 结论
+
+如果你认为你可以用一个部分来回答问题，你也可以这样做！
+1/ 答案
+
+请记住：章节是一个非常灵活和松散的概念。你可以按照你认为最好的方式来组织你的报告，包括上面没有列出的方式！
+确保你的各个部分是连贯的，并且对读者来说是有意义的。
+
+对于报告的每个部分，请执行以下操作：
+- 使用简单、清晰的语言
+- 对报告的每个部分使用 ## 作为章节标题（Markdown 格式）
+- 绝不要将自己称为报告的作者。这应该是一份专业的报告，不含任何自我指涉的语言。
+- 不要在报告中说你正在做什么。只需撰写报告，不要添加任何你自己的评论。
+- 每个部分的长度应足以用你收集到的信息。预计各部分会长且详尽。你正在撰写一份深入的研究报告，用户会期望得到透彻的答案。
+- 在适当的时候使用项目符号来列出信息，但默认情况下，请以段落形式撰写。
+
+请记住：
+简报和研究可能是英文的，但在撰写最终答案时，你需要将这些信息翻译成正确的语言。
+确保最终答案报告的语言与消息历史中的人类信息语言相同。
+
+用清晰的 markdown 格式化报告，结构合理，并在适当的地方包含来源引用。
+
+<引用规则>
+- 在你的文本中为每个唯一的 URL 分配一个引文编号
+- 以 ### 来源 结尾，列出每个来源及其对应的编号
+- 重要提示：无论你选择哪些来源，最终列表中的来源编号都应连续无间断（1,2,3,4...）
+- 每个来源都应该是列表中的一个独立行项目，这样在 markdown 中它会被渲染成一个列表。
+- 示例格式：
+  [1] 来源标题: URL
+  [2] 来源标题: URL
+- 引用非常重要。请确保包含这些内容，并特别注意确保其正确性。用户通常会使用这些引文来查找更多信息。
+</引用规则>
+</report_instructions>
+
+你可以使用一些工具。
+
+## `internet_search`
+
+使用此工具对给定的查询进行网络搜索。你可以指定结果数量、主题以及是否包含原始内容。
+"""
+
+class DeepAgent(BaseAgent):
+
+    name = "深度分析智能体"
+    description = "具备规划、深度分析和子智能体协作能力的智能体，可以处理复杂的多步骤任务"
+    context_schema = DeepContext
+    capabilities = [
+        "file_upload",
+    ]
+
+    def __init__(self, **kwargs):
+        super().__init__(**kwargs)
+        self.graph = None
+        self.checkpointer = None
+
+    def get_tools(self):
+        """返回 Deep Agent 的专用工具"""
+        tools = [search]
+        return tools
+
+    async def get_graph(self, **kwargs):
+        """构建 Deep Agent 的图"""
+        if self.graph:
+            return self.graph
+
+        # 获取上下文配置
+        context = self.context_schema.from_file(module_name=self.name)
+
+        # 使用 create_deep_agent 创建深度智能体
+        graph = create_deep_agent(
+            model=load_chat_model(context.model),
+            system_prompt=context.system_prompt,
+            tools=self.get_tools(),
+            subagents=[critique_sub_agent, research_sub_agent],
+            middleware=[
+                context_based_model,  # 动态模型选择
+                context_aware_prompt,  # 动态系统提示词
+                inject_attachment_context,  # 附件上下文注入
+            ],
+            checkpointer=await self._get_checkpointer(),
+        )
+
+        self.graph = graph
+        return graph