深度代理

深度代理是 FlowHunt 最强大的代理类型，专为远超单个提示和响应周期的任务而构建。标准 AI 代理回答问题或执行离散操作，而深度代理追求目标 — 将其分解、执行步骤、评估结果并调整其方法，直到目标完成。

深度代理与普通 AI 代理的区别

标准 AI 代理使用 LLM 处理您的输入，可选择调用工具，然后返回响应。它非常适合单步骤或较简单的多步骤任务、对话、文档总结或触发操作。

深度代理是主动的和迭代的。给定高级目标，它：

• 分解目标为一系列具体的子任务，然后才采取任何行动
• 规划其方法，决定使用哪些工具以及使用顺序
• 迭代执行步骤，调用工具、处理结果，并根据发现决定下一步
• 自我评估每个步骤后 — 如果结果不足，则重试、改进或改变策略
• 综合最终输出仅在所有子任务完成后

关键实际差异：常规代理最多可以执行多个步骤，但深度代理可以执行数十个步骤，并且它知道何时停止。

何时使用深度代理

深度代理是正确的选择，当：

• 任务需要从多个来源收集和综合信息
• 工作流涉及条件逻辑，或换句话说，下一步取决于前面步骤的结果
• 您需要代理验证或交叉检查其自身的中间结果
• 目标过于复杂或开放式，无法在单个提示中完全指定
• 您希望代理在较长时间内自主运行

记住：对于简单、范围明确的任务，标准 AI 代理更快且更经济。仅当复杂性证明额外推理深度合理时，才使用深度代理。

深度代理设置

LLM

选择代理将使用的大型语言模型。您可以从 6 个主要提供商的模型中选择。默认模型始终是 OpenAI 的最新中端模型，对大多数任务应该足够。

深度代理从具有强大推理能力的更高级模型中获益最多（例如最新的 GPT、最新的 Claude Sonnet 或 Opus 模型、Gemini Pro 模型），因为它们可以在多个步骤中规划、处理歧义，并在每个阶段做出合理的决策，而无需人工指导。

工具

工具赋予深度代理在世界中采取行动的能力。拥有超过 900 个可用工具（涵盖 API、数据库、通信平台、搜索引擎、代码执行环境）和 MCP 服务器 — 您可以为代理配备其任务所需的确切功能。

如何连接工具

点击 + 添加工具。将显示完整的可用工具列表。您可以按类别过滤或按名称搜索：

每个工具都有自己的设置。对于每一个，您可以让 AI 根据上下文决定如何使用它（推荐用于深度代理，因为代理需要灵活性以适应多个步骤）或手动配置参数以锁定特定值。

要切换到手动输入，请点击"AI 决定"按钮。一旦参数被手动定义，它是固定的，AI 无法覆盖它。

工具配置完成后，点击"使用配置添加"，或通过点击"跳过并添加"跳过配置。然后您可以继续添加其他工具。

对于深度代理，集中且相关的工具集会导致比过于宽泛的工具集更好的决策和更快的执行 — 代理在每个步骤考虑所有可用工具，因此不必要的工具会增加噪音。

系统消息

系统消息是深度代理最重要的配置。它定义了代理的角色、目标、推理方法和它必须遵守的约束。它是保持自主代理在正轨上的主要机制。

对于深度代理，您的系统消息应涵盖：

• 目标 — 代理最终试图实现的目标
• 预期输出 — 格式、长度、结构
• 决策规则 — 当遇到缺失数据、冲突来源或工具故障时该怎么办
• 范围约束 — 代理应该和不应该做什么

系统消息示例：

You are a deep research agent. Your goal is to produce a comprehensive, accurate, and well-structured report on any topic you are given.

Process:
1. Break the topic into 4–6 key research questions.
2. For each question, search for relevant information using the available tools.
3. Evaluate the quality and relevance of each source before using it.
4. Synthesize findings across all questions into a coherent report.
5. Include a summary, key findings, and a list of sources at the end.

Rules:
- Do not fabricate information. If you cannot find a reliable source, say so.
- If a tool call fails, retry once with a modified query before moving on.
- Do not stop until all research questions have been addressed or you have exhausted available sources.
- Keep the final report factual, neutral in tone, and free of speculation.

Output format: Markdown, with clear headings for each section.

最大递归深度

控制代理在分解和执行子任务时可以递归多少层。较高的值允许代理处理更复杂的嵌套问题，但会增加执行时间和资源使用。对于大多数任务，默认值已经足够。仅当代理需要追求真正的多级子目标时才增加它。

代理聊天历史

提供过去的聊天消息作为当前运行的上下文。启用历史记录后，深度代理可以参考早期的交换，这在代理是进行中的对话或迭代工作流的一部分时非常有用，其中先前的上下文影响下一步。没有历史记录，代理将每次运行视为完全独立。

代理内存

控制代理是否可以读取和写入您的工作区内存。启用后，深度代理可以跨单独的运行持久化发现、决策和累积的知识 — 使得可能逐步构建知识库或恢复长期运行的项目，其中从头开始会造成浪费。如果启用，系统会要求您定义内存模式和行为提示，以管理存储的内容及其检索方式。

**注意：**仅工具输入是严格必需的；所有其他设置都是可选的，但对深度代理输出的质量和可靠性有重大影响。

深度代理如何解决任务

深度代理遵循结构化执行循环。正是这个循环使深度代理能够处理会压倒标准代理的任务：

• **目标分解：**代理分析目标并将其分解为一系列子任务。
• **迭代执行：**代理逐个处理子任务，调用工具、处理结果，并根据完成的步骤决定下一步。
• **自我评估：**每个步骤后，代理评估结果是否足以继续前进，或者是否需要重试、改进其查询或采取完全不同的方法。
• **综合：**一旦所有子任务完成，代理将中间结果组合成最终的、连贯的输出。
• **终止：**当目标实现、达到配置的限制或代理确定无法使用可用的工具和信息完成任务时，代理停止。

为深度代理选择合适的模型

LLM 是深度代理做出的每个决策背后的推理引擎。对于深层、多步骤的任务，模型质量对性能有巨大影响。

• **前沿模型（GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro）：**最适合复杂推理、长期规划以及代理必须处理歧义或在没有人工输入的情况下做出判断的任务。较高的成本通常对深度代理工作负载是合理的。
• **中端模型：**对于中等复杂但定义明确的任务，具有能力和成本的良好平衡。
• **小型语言模型：**不推荐作为深度代理的主要模型。它们缺乏可靠的多步骤执行所需的推理深度。也就是说，它们仍然适合于较大工作流中的简单子任务，其中速度和成本比推理质量更重要。

从中端模型开始，仅当性能需要时才向上移动。正确的选择取决于您的任务复杂性、可接受的延迟和预算。