老顾深度解析【字节跳动的AI项目DeerFlow】源码之执行者(五)

前言

今天老顾给大家介绍另一个关键角色执行者Tools ，此角色主要的作用是对规划者Planner出来的内容进行执行，执行的方式包含搜索、代码执行，如果配置了MCP Server也会包含里面包含的工具。

执行者的触发

触发执行者有2个场景，第一个场景是规划者经过人工中断，前端选择Start Research按钮，或者配置了【自动接收规划者内容的配置】开关开启

代码都在人工中断节点中，如下

Agent流程图

我们再来看看整体的LangGraph的流程图

这个源码就是我们前一篇文章中介绍的交互流程。我们看一下执行者research_team在哪个位置

arduino 复制代码

builder.add_node("research_team", research_team_node)

这个节点的原作者取的名字research，可以优化为executor，哈哈；但不重要

那么我们看看执行者具体的逻辑代码

执行者Agent

来看看源码

python 复制代码

def research_team_node(state: State):
    """Research team node that collaborates on tasks."""
    logger.info("Research team is collaborating on tasks is running........")
    pass

这个函数啥事都没有做，执行完了后，后续怎么处理呢？

arduino 复制代码

builder.add_conditional_edges(
        "research_team",
        continue_to_running_research_team,
        ["planner", "researcher", "coder"],
    )

上面是条件边的定义，指明了后续会走到哪个节点，我们再来聚焦一下，看看continue_to_running_research_team这个方法。

我们来分析一下代码

kotlin 复制代码

if not current_plan or not current_plan.steps:
        return "planner"

这段代码表示还没有规划内容，应该交给规划者Planner。

vbnet 复制代码

if all(step.execution_res for step in current_plan.steps):
        return "planner"

step.execution_res这个属性有值，代表已经执行处理过了。

那上面的代码for循环表示是不是所有的步骤都执行过了 ，如果执行过了就直接返回到planner规划者Agent。

arduino 复制代码

for step in current_plan.steps:
        if not step.execution_res:
            break

遍历当前的规则的步骤，哪些步骤是没有执行的，就返回那个没有执行的步骤。

arduino 复制代码

if step.step_type and step.step_type == StepType.RESEARCH:
    return "researcher"
if step.step_type and step.step_type == StepType.PROCESSING:
    return "coder"
return "planner"

上面的代码是根据步骤类型的step_type的值，执行不同的工具节点。我们具体看看步骤的结构体

上图的step_type类型的值，就是规划者Planner与大模型进行交互时，大模型给出的执行类型。具体可以看前面介绍规划者Agent的文章。

执行Research

我们看看research节点代码

上面的代码的核心逻辑是增加搜索tools工具

retriever_tool这个变量大家可以忽略，这个是为了检索本地知识库的，不妨碍我们分析源码

_setup_and_execute_agent_step 方法就是创建agent，此agent包含了工具tools，以及researcher这个参数值。

执行Coder

执行Coder比Research更简单，也是调用了 _setup_and_execute_agent_step 方法就是创建agent，此agent包含了python_repl_tool这个工具，以及coder这个参数值。

下面我们来具体看看创建Agent的方法_setup_and_execute_agent_step

创建Agent

我们先看看 _setup_and_execute_agent_step源码

里面有个核心的支持MCP的代码逻辑

yaml 复制代码

if configurable.mcp_settings:

如果配置了mcp，就需要读取mcp server的配置信息，设置mcp_servers和enabled_tools这2个变量。

csharp 复制代码

if mcp_servers:
   async with MultiServerMCPClient(mcp_servers) as client:

如果有mcp servers，就通过client.get_tools()获得mcp的tools，加入到我们定义的工具，再加入到create_agent函数中。

create_agent方法里面定义了大模型的，以及提示词的获取。大模型和提示词的获取之前文章已经介绍过了。

我们下面来介绍Research提示词和Coder提示词

Research提示词

提示词是存放再researcher.md，里面内容还挺多，老顾这边只介绍比较核心的内容

1、身份定位

2、工具说明

3、执行步骤

里面有个if resources动态判断，就是要不要增加本地检索知识库的tool工具。

4、输出格式

里面有个locale变量，指明需要什么语言输出。

5、注意事项

Coder提示词

1、身份定位

2、执行步骤

3、注意事项

总结

至此就介绍了执行者这个角色的核心逻辑，到此5大角色就全部介绍完了 。结合之前的介绍DeerFlow的核心流程就全部介绍完了。此外项目还有生成播客的功能，代码比较简单，老顾就不介绍了。

研究了DeerFlow这个开源项目后，对老顾的关于AI Agent的相关技术的使用，有很大的帮助和启发。

DeerFlow再Python的工程结构上面也有很多学习的地方，下一篇我们来介绍一下DeerFlow工程方式的知识。