三个Agent的分工
规划、总结、报告，各管一段。一开始觉得这样是不是太死板了，三个Agent轮流工作，效率会不会不如一个Agent从头干到尾。后来注意到一个细节：每个Agent的prompt都是单独写的，专门针对自己那段任务。规划那个prompt强调"要返回JSON"，总结那个强调"要加引用标记"，报告那个强调"合并重复信息"。如果用一个Agent干全部，prompt会变得又臭又长，而且改一处会牵动另一处。顺序协作虽然简单，但确实好调试。哪一步输出不对，就单独看那一步的prompt和中间结果，不用怀疑别的地方。
Service层
代码里有个设计我一开始没看懂：为什么要有 PlanningService、SummarizationService 这些类，Agent 直接跑不就行了？看完才明白，Service 是把"Python 该干的活"从 Agent 手里拿走。比如：PlanningService 里要做的事：填prompt模板、从返回文本里用正则抠出JSON、验证字段全不全SummarizationService 里要做的事：把搜索结果格式化成带编号的文本、从总结里把来源URL提取出来。这些都是确定性的活，不需要模型推理。放在 Python 代码里写死，比写在 prompt 里让模型自己搞定要可靠得多。Agent 的 prompt 因此可以保持得很短，只说"你是研究规划专家"这种角色定位，不用夹杂一堆格式要求。
几个注意点
第一，不能假设大模型只会输出JSON。哪怕prompt里明确写了"只返回JSON不要其他文本"，它经常会先来一句"好的，我来帮你规划：..."。所以解析的时候得先用正则把 [...] 那段抠出来，再做 json.loads。
第二，搜索结果要去重。不同关键词经常命中同一个网页，不去重的话列表里一堆重复的链接，既浪费token又干扰模型判断。
第三，搜索失败不能让整个流程崩。SearchService 里搜不到东西就返回空列表，让上层继续往下走，别抛异常。因为研究主题冷门的时候，搜不到是常事。
关于ToolAwareSimpleAgent
刚开始看这个类名有点懵，为什么要单独搞一个 Agent 出来。想通了其实就一句话：工具调用的时候要让外面知道。深度研究整个过程可能跑几分钟，用户在前端如果只能看着一个转圈，体验很差。有了这个回调机制，每次调搜索工具都能实时推给前端显示"正在搜索：xxx"。实现上就是继承原 Agent，把执行工具的那个方法重写一下，前后加一层通知。这个套路挺通用的，以后如果想在Agent运行过程中做任何监控，都可以这么干。
避开perplexity搜索
由于本节用到perplexity api，但是尝试了很久网页完全加载不了，想到了前面学习内容中也有注册了的搜索API，就尝试再环境中加上了SerpApi搜索，但是后面运行的时候看到提示"未安装 google-search-results，无法使用 SerpApi 搜索"，然后网页端尝试运行的时候，看到也无法正常执行工作流。然后就开始查出处，从backend\src\services\search.py到库文件的tools\builtin\search_tool.py,查到0.2.8版本里面写的“from serpapi import GoogleSearch”，改为“from serpapi.google_search import GoogleSearch”后，就正常运行了。
关于本节的想法
现在这套流程是完全线性的：规划完就执行，执行完就写报告。但实际研究中，看第一轮结果的时候经常会冒出新的问题，需要再补一轮搜索。文中提到了一种"反思"机制的可能，但没展开。我的想法是：可以加一个"评审Agent"，在报告写完之前检查一遍——有没有哪个TODO总结得太浅、有没有互相矛盾的地方、有没有漏掉明显该查的角度。如果发现问题就回退到执行阶段补一轮。不过这样会让流程复杂不少，作为学习案例，就先跑通最简的线性流程，后续根据学习积累，自己再动手实践实践。
参考链接
1、【Hello-Agents进阶篇开源地址】https://github.com/datawhalechina/hello-agents
2、聪明办法学Python：https://datawhalechina.github.io/learn-python-the-smart-way-v2/
3、DeepAgent实战课程：https://datawhalechina.github.io/deepagents-in-action/
