Deep Agent

Deep Agent är FlowHunts mest kapabla agenttyp, byggd för uppgifter som går långt bortom en enda prompt-och-svar-cykel. Där en standardagent svarar på en fråga eller utför en diskret åtgärd, förföljer en Deep Agent ett mål — bryter ner det, kör steg, utvärderar resultat och anpassar sitt tillvagagångssätt tills målet är nått.

Hur en Deep Agent skiljer sig från en vanlig AI-agent

En standardagent bearbetar din input med en LLM, anropar eventuellt ett verktyg och returnerar ett svar. Det är bra för enkla eller enklare flerstegiga uppgifter, samtal, dokumentsammanfattning eller utlösning av åtgärd.

En Deep Agent är proaktiv och iterativ. Givet ett högnivåmål:

• Dekomponerar målet i en sekvens av konkreta deluppgifter innan någon åtgärd tas
• Planerar sitt tillvagagångssätt, beslutar vilka verktyg som ska användas och i vilken ordning
• Kör steg iterativt, anropar verktyg, bearbetar resultat och beslutar vad som ska göras härnäst baserat på vad det hittar
• Självevaluerar efter varje steg — försöker igen, förfinar eller byter strategi om ett resultat är otillräckligt
• Syntetiserar ett slutresultat först efter att alla deluppgifter är klara

Den praktiska nyckeskillnaden: en vanlig agent kan ta flera steg i bästa fall, men en Deep Agent kan ta dussintals, och den vet när den ska sluta.

När ska man använda en Deep Agent

Deep Agents är rätt val när:

• Uppgiften kräver insamling och syntes av information från flera källor
• Arbetsflödet innefattar villkorlig logik, eller med andra ord när nästa steg beror på resultatet av tidigare steg
• Du behöver agenten för att verifiera eller korscontrollera sina egna mellanresultat
• Målet är för komplext eller öppet för att helt specificera i en enda prompt
• Du vill att agenten ska fungera autonomt under en längre tidsperiod

Kom ihåg: För enkla, väldefinierade uppgifter är en standard-AI-agent snabbare och mer kostnadseffektiv. Använd bara en Deep Agent när komplexiteten motiverar det extra resonemangdjupet.

Deep Agent-inställningar

LLM

Välj den stora språkmodell som agenten kommer att använda. Du kan välja mellan modeller från 6 större leverantörer. Standardmodellen är alltid den senaste mellanmodellen från OpenAI, vilket bör räcka för de flesta uppgifter.

Deep Agents gynnas mest av mer avancerade modeller med starka resoneringsförmågor (t.ex. senaste GPT, senaste Claude Sonnet eller Opus-modeller, Gemini Pro-modeller), eftersom de kan planera över många steg, hantera tvetydighet och fatta sunda beslut vid varje etapp utan mänsklig vägledning.

Verktyg

Verktyg är det som ger Deep Agent sin förmåga att agera i världen. Med över 900 tillgängliga verktyg (som sträcker sig över API:er, databaser, kommunikationsplattformar, sökmotorer, kodköringsmiljöer) och MCP-servrar — du kan utrusta agenten med exakt de förmågor som dess uppgift kräver.

Hur man ansluter verktyg

Klicka + Lägg till verktyg. Den fullständiga listan över tillgängliga verktyg visas. Du kan filtrera efter kategori eller söka efter namn:

Varje verktyg har sina egna inställningar. För var och en kan du antingen låta AI bestämma hur den ska användas baserat på sammanhang (rekommenderas för Deep Agents, eftersom agenten behöver flexibilitet för att anpassa sig över många steg) eller konfigurera parametrar manuellt för att låsa specifika värden.

För att växla till manuell inmatning, klicka på knappen “AI Decides”. När en parameter är manuellt definierad är den låst och AI kan inte åsidosätta den.

När verktyget är konfigurerat, klicka “Add with Config”, eller hoppa över konfigurationen helt genom att klicka på “Skip & Add”. Du kan sedan fortsätta lägga till andra verktyg.

För Deep Agents leder en fokuserad och relevant verktygssats till bättre beslut och snabbare körning än en alltför bred — agenten överväger alla tillgängliga verktyg vid varje steg, så onödiga verktyg lägger till brus.

Systemmeddelande

Systemmeddelandet är den viktigaste konfigurationen för en Deep Agent. Det definierar agentens roll, mål, resoneringsmetod och de begränsningar den måste respektera. Det är den primära mekanismen för att hålla en autonom agent på rätt spår.

För Deep Agents bör ditt systemmeddelande täcka:

• Målet — vad agenten i slutändan försöker uppnå
• Den förväntade utdatan — format, längd, struktur
• Beslutregler — vad man ska göra när det stöter på saknade data, motstridiga källor eller verktygsfel
• Omfångsbegränsningar — vad agenten bör och inte bör göra

Exempel systemmeddelande:

Du är en djup forskningsagent. Ditt mål är att producera en omfattande, korrekt och väl strukturerad rapport om vilket ämne som helst som du får.

Process:
1. Dela upp ämnet i 4–6 viktiga forskningsfrågor.
2. För varje fråga, sök efter relevant information med hjälp av tillgängliga verktyg.
3. Utvärdera kvaliteten och relevansen för varje källa innan du använder den.
4. Syntetisera fynd över alla frågor till en sammanhängande rapport.
5. Inkludera en sammanfattning, viktiga fynd och en lista över källor i slutet.

Regler:
- Fabricera inte information. Om du inte kan hitta en tillförlitlig källa, säg det.
- Om ett verktygsanrop misslyckas, försök igen en gång med en modifierad fråga innan du fortsätter.
- Sluta inte förrän alla forskningsfrågor har besvarats eller du har uttömt tillgängliga källor.
- Håll den slutliga rapporten faktisk, neutral i ton och fri från spekulation.

Utdataformat: Markdown, med tydliga rubriker för varje avsnitt.

Max rekursionsdjup

Styr hur många nivåer djupt agenten kan rekursera när den bryter ner och kör deluppgifter. Ett högre värde tillåter agenten att ta itu med mer komplexa, kapslade problem, men ökar körningstid och resursanvändning. För de flesta uppgifter är standardvärdet mer än tillräckligt. Öka det bara när agenten behöver förföljas genuint flernivå-delmål.

Agent Chat History

Tillhandahåller tidigare chattmeddelanden som sammanhang för den aktuella körningen. Med historik aktiverad kan Deep Agent referera till tidigare utbyten, vilket är användbart när agenten är del av en pågående konversation eller iterativ arbetsflöde där tidigare sammanhang formar nästa steg. Utan historik behandlar agenten varje körning som helt oberoende.

Agent Memory

Styr om agenten kan läsa från och skriva till din Workspace-minne. När den är aktiverad kan Deep Agent bevara fynd, beslut och ackumulerad kunskap över separata körningar — vilket gör det möjligt att bygga en kunskapsbas stegvis eller återuppta långvariga projekt där att börja om från början skulle vara slöseri. Om den är aktiverad uppmanas du att definiera minnesmoden och beteendeprompts som styr vad som lagras och hur det hämtas.

Notering: Endast verktygsingången är strikt obligatorisk; alla andra inställningar är valfria men har en betydande inverkan på kvaliteten och tillförlitligheten för en Deep Agents utdata.

Hur en Deep Agent löser uppgifter

Deep Agents följer en strukturerad körningsloop. Denna loop är exakt det som gör Deep Agents kapabla att hantera uppgifter som skulle övervälda en standardagent:

• Måldekomposition: Agenten analyserar målet och bryter det i en sekvens av deluppgifter.
• Iterativ körning: Agenten arbetar genom deluppgifter en i taget, anropar verktyg, bearbetar resultat och beslutar vad som ska göras härnäst baserat på färdiga steg.
• Självevaluering: Efter varje steg bedömer agenten om resultatet är tillräckligt för att gå vidare eller om den behöver försöka igen, förfina sin fråga eller ta ett helt annat tillvagagångssätt.
• Syntes: När alla deluppgifter är klara kombinerar agenten mellanresultat till ett slutligt, sammanhängande resultat.
• Avslutning: Agenten stannar när målet är uppnått, när den når de konfigurerade gränserna, eller när den bestämmer att den inte kan slutföra uppgiften med de tillgängliga verktygen och informationen.

Att välja rätt modell för en Deep Agent

LLM är resoneringsmotorn bakom varje beslut som Deep Agent fattar. För djupa, flerstegiga uppgifter har modellkvaliteten en överdriven påverkan på prestanda.

• Frontier-modeller (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro): Bäst för komplex resonering, långsiktig planering och uppgifter där agenten måste hantera tvetydighet eller fatta omdömesbeslut utan mänsklig input. Den högre kostnaden är vanligtvis försvarbar för Deep Agent-arbetsbelastningar.
• Mellanmodeller: En solid balans mellan förmåga och kostnad för måttligt komplexa men väldefinierade uppgifter.
• Små språkmodeller: Rekommenderas inte som primärmodell för Deep Agents. De saknar det resonemangdjup som behövs för tillförlitlig flerstegig körning. Med det sagt är de fortfarande lämpliga för enkla deluppgifter inom ett större arbetsflöde där hastighet och kostnad är viktigare än resonemangkvalitet.

Börja med en mellanmodell och flytta upp bara om prestanda kräver det. Rätt val beror på din uppgiftskomplexitet, acceptabel latens och budget.