想象一下：你给 AI 下了一个复杂任务，比如"帮我研究量子计算最新进展，写一份报告"。AI 不是立刻给你答案，而是像一支军队一样，派出多个专业化的小队——一个负责搜索论文、一个负责分析代码、一个负责对比实验数据——它们协同工作，最终整合出一份完整的报告。SkyworkAI/DeepResearchAgent 就是这样一套系统：它是一个层级化多智能体自进化框架，让 AI 能够像真正的研究员一样，分解任务、调用工具、在执行中自我反思与持续改进。

🔬 项目背景：从"会说话的工具"到"会思考的系统"2024-2025 年，大模型在各领域展现了强大的单点能力，但面对复杂、跨领域的真实任务，单一模型的"一次推理"模式暴露出了明显的瓶颈：无法处理长程依赖、无法在执行中动态调整策略、无法从错误中学习。传统的单 Agent 方案（如 LangChain 的 Chains、Tools）往往把所有逻辑堆在一起，代码耦合严重，工具和记忆系统的替换几乎不可能。DeepResearchAgent 由 SkyworkAI 团队开发，核心贡献是提出了两套协议体系：RSPL（Resource Substrate Protocol Layer，资源基板协议层）和 SEPL（Self Evolution Protocol Layer，自进化协议层）。其核心思想是：把 AI 系统的各个组件——Agent、Tool、Environment、Memory、Prompt——都视为有状态、可版本化、有生命周期的协议注册资源，而非硬编码的函数调用。

🏗️ 架构解析：双层协议 + 层级化执行DeepResearchAgent 的架构可以用一句话概括："协议驱动、资源解耦、自进化闭环"。RSPL（资源基板协议层）负责定义系统中每类资源的标准接口。一个 Tool 不再是简单的 Python 函数，而是一个实现了 `execute()`、`validate()`、`version()` 等接口的协议对象。这意味着：你可以随时替换搜索工具（从 DuckDuckGo 换成 Tavily），而不需要改动 Agent 的核心逻辑；Memory 系统可以切换（从 FAISS 向量库换成 MySQL），只要遵循同一套接口即可。SEPL（自进化协议层）则定义了 Agent 如何在执行中实现自我改进的闭环。不同于一次性推理，DeepResearchAgent 中的 Agent 会经历 Act → Observe → Optimize → Remember 的循环：Agent 产生行动后，系统记录完整轨迹（Traces）；优化器（Optimizer）分析轨迹中的失败案例，利用 Reflection、GRPO 或 Reinforce++ 等方法更新提示词或策略；改进后的方案被持久化到 Memory 系统，供下一轮使用。层级化执行体现在 `configs/agents/` 中预置的多类 Agent：`planning_agent.py` 负责顶层任务分解，`tool_calling_agent.py` 执行具体工具调用，`offline_trading_agent.py` / `online_trading_agent.py` 等展示领域扩展能力，`browser_agent.py` 和 `mobile_agent.py` 则覆盖了浏览器和移动端自动化场景。各 Agent 之间通过标准消息总线通信，支持并行与层级协作。

🛠️ 技术栈：LangChain/LangGraph 生态 + 自研强化DeepResearchAgent 深度依赖 LangChain 生态，但基于 LangChain 的可组合性构建了自己的 Agent 运行时：LLM 提供方：支持 OpenAI、Anthropic、Google Generative AI、OpenRouter，覆盖主流模型。配置通过 `configs/` 下的 MMEngine 风格 YAML 文件管理，支持运行时动态切换。搜索与爬取：集成了 BaiduSearch、DuckDuckGo、Google Search、Crawl4ai、Firecrawl 等多个搜索/爬虫工具。`src/tool/workflow_tools/` 中预置了完整的搜索-提取-总结工作流。记忆系统（`src/memory/`）：包含通用记忆、交易专用记忆、Optimizer 专用记忆。底层可对接 FAISS 或自定义向量库，实现长期记忆与检索。环境系统（`src/environment/`）**：这是 DeepResearchAgent 区别于其他框架的独特之处。它将真实世界接口建模为 Environment 对象：文件系统（`file_system_environment.py`）让 Agent 可读写本地文件；回测交易环境（Alpaca、Binance、Hyperliquid）支持真实或模拟交易回测；浏览器/移动端环境支持 Agent 操控界面；数据库环境支持 SQL 查询；Qlib 环境面向量化金融。所有 Environment 都遵循统一接口规范，Agent 无需关心底层实现。

📊 代码质量评估DeepResearchAgent 的代码质量可以从以下维度评估：架构设计（优秀）：RSPL + SEPL 双层协议设计理念清晰，解耦彻底，组件通过标准接口而非硬编码交互。新增 Tool 或 Agent 只需遵循协议注册，无需修改已有代码。代码结构（优秀）：`src/` 目录按职责清晰分层（agent、tool、environment、memory、optimizer、tracer、version），`configs/` 目录通过 MMEngine 风格配置实现组件组合，与 LangChain 设计哲学一脉相承，但加入了更严格的协议约束。文档质量（优秀）：项目提供中英文双版 README，详细解释 RSPL/SEPL 概念、核心模块、运行方式，附带超过 25 个示例脚本。`README_zh.md` 对中文开发者非常友好。测试覆盖（一般）：`tests/` 目录存在，但测试数量有限。考虑到涉及多个外部 API、交易环境、浏览器自动化，测试用例需要扩充。生产就绪度（中等）：依赖较多（torch、transformers、langgraph 等重型库），无容器化支持，部署需手动处理 CUDA 环境与依赖冲突。

🚀 如何运行第一步：安装依赖```bash

git clone https://github.com/SkyworkAI/DeepResearchAgent.git cd DeepResearchAgent conda env create -f environment.yml # 推荐方式，或 pip install -r requirements.txt **第二步：配置 API Key**bash cp .env.template .env

编辑 .env，填入 OPENROUTER_API_KEY 或 OPENAI_API_KEY 或 ANTHROPIC_API_KEY

**第三步：运行示例 Agent**bash

运行通用工具调用 Agent

python examples/run_tool_calling_agent.py --config configs/tool_calling_agent.py

运行 LeetCode Agent

python examples/run_leetcode_agent.py

运行 Benchmark（需要配置 datasets/）

python examples/run_benchmark.py


## ⚠️ 局限性与挑战DeepResearchAgent 并非完美，以下几点值得注意：**学习曲线陡峭**：RSPL/SEPL 是抽象概念，对新手不友好。上手前需理解协议注册机制、Environment 接口、Memory 系统，初期投入时间成本较高。**生产部署复杂**：无 Docker 支持意味着在不同服务器间迁移时，需手动处理 Python 版本、CUDA 版本、依赖冲突。对于团队协作，environment.yml 的管理也是挑战。**外部依赖风险**：集成了大量外部服务（Alpaca、Binance、Hyperliquid 等交易 API），这些服务的稳定性直接影响 Agent 运行。BaiduSearch 等服务也有地域限制。**自进化能力尚未充分验证**：SEPL 的自进化闭环设计超前，但实际效果取决于优化器（Reflection/GRPO 等）的实现质量。自进化更多停留在"反思提示词"层面，距离真正意义上的持续学习还有差距。

## 🌟 行业意义与展望DeepResearchAgent 最有价值的地方，不是提供了多少现成的 Agent，而是它提出了一套**可组合、可观测、可进化的 Agent 架构协议**。在当前 Agent 生态中，大多数框架关注"如何让 Agent 调用工具"，而 DeepResearchAgent 关注的是"如何让 Agent 系统自我演进"。RSPL 将资源标准化，使不同来源的 Tool、Memory、Environment 可以无缝协作；SEPL 将进化过程规范化，使 Agent 的改进是可追溯、可回滚的。这两个特性对于构建**生产级别的 AI Agent 系统**至关重要。随着 MCP（Model Context Protocol）和 A2A（Agent-to-Agent Protocol）等行业协议的推进，DeepResearchAgent 的 RSPL 设计与这些协议存在天然的对接可能性。未来，它有望成为连接不同 Agent 协议、整合异构工具资源的**中间层框架**，在多 Agent 协作领域发挥重要作用。

---
**项目地址**：https://github.com/SkyworkAI/DeepResearchAgent

![SkyworkAI 官方头像](https://avatars.githubusercontent.com/u/152726367)
**图1：SkyworkAI 官方头像**

运行 Benchmark（需要配置 datasets/）

python examples/run_benchmark.py

## ⚠️ 局限性与挑战DeepResearchAgent 并非完美，以下几点值得注意：**学习曲线陡峭**：RSPL/SEPL 是抽象概念，对新手不友好。上手前需理解协议注册机制、Environment 接口、Memory 系统，初期投入时间成本较高。**生产部署复杂**：无 Docker 支持意味着在不同服务器间迁移时，需手动处理 Python 版本、CUDA 版本、依赖冲突。对于团队协作，environment.yml 的管理也是挑战。**外部依赖风险**：集成了大量外部服务（Alpaca、Binance、Hyperliquid 等交易 API），这些服务的稳定性直接影响 Agent 运行。BaiduSearch 等服务也有地域限制。**自进化能力尚未充分验证**：SEPL 的自进化闭环设计超前，但实际效果取决于优化器（Reflection/GRPO 等）的实现质量。自进化更多停留在"反思提示词"层面，距离真正意义上的持续学习还有差距。 ## 🌟 行业意义与展望DeepResearchAgent 最有价值的地方，不是提供了多少现成的 Agent，而是它提出了一套**可组合、可观测、可进化的 Agent 架构协议**。在当前 Agent 生态中，大多数框架关注"如何让 Agent 调用工具"，而 DeepResearchAgent 关注的是"如何让 Agent 系统自我演进"。RSPL 将资源标准化，使不同来源的 Tool、Memory、Environment 可以无缝协作；SEPL 将进化过程规范化，使 Agent 的改进是可追溯、可回滚的。这两个特性对于构建**生产级别的 AI Agent 系统**至关重要。随着 MCP（Model Context Protocol）和 A2A（Agent-to-Agent Protocol）等行业协议的推进，DeepResearchAgent 的 RSPL 设计与这些协议存在天然的对接可能性。未来，它有望成为连接不同 Agent 协议、整合异构工具资源的**中间层框架**，在多 Agent 协作领域发挥重要作用。 --- **项目地址**：https://github.com/SkyworkAI/DeepResearchAgent ![SkyworkAI 官方头像](https://avatars.githubusercontent.com/u/152726367) **图1：SkyworkAI 官方头像**