本文专为小白程序员和大模型入门者打造，系统拆解深度搜索Agent的四种主流架构——基础迭代式搜索、Planner-Only、带评估反馈的双模块设计及递归式ROMA。每类架构均详细讲解设计逻辑、核心优缺点、适配场景，搭配可直接复制使用的实用prompt模板，额外补充入门落地技巧，帮你快速上手。建议从简单架构起步实现，按需逐步叠加模块，平衡系统复杂度与实用性，少走弯路。
迭代式搜索Agent（入门基础款，必学！）
在钻研复杂架构前，先吃透最基础、最易落地的迭代式搜索Agent，它是所有进阶架构的核心基石，小白可直接从这里入门。这类Agent普遍基于ReAct（Reasoning and Acting）范式，工作流程简单易懂，无需复杂配置：接收用户问题→Agent思考拆解→调用搜索工具获取信息→观察分析结果→再次思考优化→重复搜索流程，直至得到符合需求的满意答案。
【小白小贴士】这种架构的优势是易实现、好调试，适合新手练手，但短板也很明显：面对多维度、高复杂度的查询时，单线程一步步搜索的效率极低，无法快速拆解问题、并行推进。为此，行业内衍生出并行工作流的优化思路——将一个复杂大问题拆解为多个独立子查询，让多个搜索任务同时运行，大幅提升搜索效率。
Planner-Only架构（解决并行短板，进阶必备）
并行工作流虽能提升效率，但仍有一个致命短板：子查询的数量是固定不变的，无法适配不同复杂度的问题。实际应用中，简单的事实查询（如“大模型Agent是什么”）拆2-3个子查询就足够，而复杂的研究类问题（如“深度搜索Agent架构对比”）可能需要拆5-6个甚至更多子查询。核心需求很明确：子查询的拆分的应该是动态的，而非预先固定死的。
Planner LLM（规划器大模型）正是为解决这个问题而生，它也是整个Planner-Only架构的核心。它的作用非常聚焦：精准分析用户问题的复杂程度，动态决定子任务的拆分数量、每个子任务的核心职责，以及对应需要调用的工具，相当于给Agent配备了一个“专属规划师”，让子查询拆分更灵活、更贴合实际需求。
【实用模板】一个典型的Planner提示词结构（可直接复制使用，小白替换工具描述即可）：
# MAKE A STRATEGY/PLAN, YOU HAVE ACCESS TO FOLLOWING TOOLS↳ describe tools&their input parameters here（此处替换为自己的工具描述及输入参数）# GUIDELINES FOR QUERY COMPLEXITY, TOOL CALLS & #SUBAGENTS↳ simple fact finding queries requires just1subtask with3-10 tool calls.（简单事实查询：1个子任务，3-10次工具调用） ↳ direct comparison queries might need2-5 subtasks with10-15 tools call each.（直接对比查询：2-5个子任务，每个子任务10-15次工具调用） ↳ complex research might usemorethan10subtasks with clearly divided responsibilities（复杂研究查询：10个以上子任务，明确划分每个子任务职责）# CLEARLY DEFINE EACH SUBAGENT'S ROLE IN FOLLOWING FORMAT{objective :- （子Agent核心目标，明确要完成什么） output_format :- （输出格式，规范子Agent的输出内容） tool_guidance :- （工具使用指导，明确该用哪些工具、怎么用） rationale :- （设计理由，说明为什么这么分配任务）}# HEURISTICS FOR TOOL GUIDANCE (basically here we are doing Tool RAG)examine all available tools first, match tool usage to subagent objective, search the web onlyforbroad external information or prefer specialized tools over generic ones.（先检查所有可用工具，匹配工具与子Agent目标；仅在需要广泛外部信息时搜索网页，优先使用专业工具而非通用工具）【关键提醒】这个提示词模板的核心设计思路的是“让Planner更精准”：首先明确告知Planner可用的工具，避免调用不存在的工具；然后给出不同复杂度问题的拆分参考标准，降低Planner的决策难度；最后要求为每个子Agent明确定义目标、输出格式和工具使用指导，确保下游执行Agent能“照章办事”，无需额外调试。
另外，Planner承担着问题分析、任务拆分的核心职责，任务复杂度极高，因此强烈建议选用推理能力强的大模型作为Planner。小白入门推荐：GPT-4o、Claude 3.5 Sonnet；追求性价比可选：o1、DeepSeek-R1等专门的推理模型，避免因模型推理能力不足导致任务拆分混乱。
停止条件的处理（避免资源浪费，小白必懂）
解决了子查询拆分的问题后，另一个核心痛点随之而来：ReAct循环什么时候该停止？这是小白入门时最容易忽略的问题，处理不好会导致资源严重浪费。
传统的处理方式非常简单粗暴：手动设置一个固定的迭代阈值，全靠经验调参，比如最多允许迭代5轮。这种方式的弊端很明显：不够灵活，无法适配不同复杂度的查询。复杂查询可能需要10轮以上迭代才能得到完整答案，固定阈值会导致提前结束，无法得到满意结果；而简单查询可能2轮就完成，固定阈值会让其多跑几轮，浪费算力和时间。
针对这个问题，行业内的主流解决方案是：引入一个评估器LLM（Evaluator），在每一轮迭代结束后，让评估器专门判断当前生成的答案是否足够充分、是否满足用户需求；如果满足，就停止循环；如果不满足，就继续迭代，直至得到合格答案。
【实用模板】评估器提示词（可直接复制，替换问题和答案即可）：
# TASKYour task is to analyse and determineiffollowing information is sufficient or there are knowledge gaps?? Provide reasoningforyour answer（你的任务是分析以下信息是否充分，是否存在知识缺口，并为你的判断提供理由）# Questionaddhere the user question（此处替换为用户的原始问题）# Generated Answeraddhere the answer generated by this iteration of ReAct（此处替换为当前ReAct迭代生成的答案）# OUTPUT FORMAT{"is_sufficient":true/false,（是否充分：是/否）"reasoning":"此处填写判断理由，明确说明为什么充分/不充分","knowledge_gap":"此处填写知识缺口（若is_sufficient为true，可填null）"}【小白重点】评估器核心要完成两件事：一是判断当前答案是否充分，二是如果不充分，明确指出缺什么（即knowledge_gap字段）。这个字段非常关键，它能直接指导下一轮迭代的搜索方向，避免Agent“盲目搜索”，帮小白节省调试时间和算力成本。
澄清问题机制（解决循环死锁，进阶技巧）
OpenAI在评估器的基础上，增加了一层更智能的设计，专门解决“循环死锁”问题——小白在实际调试中可能会遇到：有些刁钻问题，Agent反复迭代搜索，评估器却一直返回is_sufficient = false，循环无法终止，陷入死锁。
其实这种情况，大多不是Agent的搜索能力不足，而是用户的问题本身定义不清晰、存在歧义。比如用户问“最好的编程笔记本电脑是哪个”，这里的“最好”没有明确标准：是性价比最高？还是性能最强？或是便携性最好？不同的理解，会导向完全不同的搜索方向，Agent自然无法找到“让评估器满意”的答案。
为此，OpenAI提出了一个解决方案：当评估器发现，Agent经过多次迭代搜索，仍然无法得到充分答案时，不再让Agent继续盲目搜索，而是让Agent主动向用户提出澄清问题，把人拉进整个流程中（即human-in-the-loop设计），帮忙明确需求、消除歧义，从而打破循环死锁。
检查清单评分（长文档专用，小白必备）
除了OpenAI的澄清机制，SamayaAI还提出了另一种更贴合长文档场景的评估思路——检查清单评分，尤其适合小白处理长篇幅答案的评估需求。
小白可能会遇到一个问题：传统评估器面对长篇幅答案时，很容易“晕”。单个LLM很难在一大段文本中保持完整的推理链，上下文一长就容易丢失关键信息，导致评估结果不准确、不可靠。
SamayaAI的思路很简单：换个评估角度，不让评估器去理解和评判整个答案的内容质量，而是让它评估“答案是否符合预设的结构规范”，这个结构规范就是我们提前制定的“检查清单”。评估器只需对照清单逐项检查、打勾，无需通读全文，评估效率和准确性都会大幅提升。
【举例说明】如果用户的问题是“对比GPT-4o和Claude 3.5 Sonnet两个大模型的适用场景”，我们可以制定这样的检查清单：1. 是否分别介绍了两个模型的核心特点？2. 是否有明确的性能对比？3. 是否拆解了两者的优缺点？4. 是否给出了具体的适用场景推荐？5. 是否有新手选型建议？评估器只需逐项检查，判断答案是否覆盖了这些要点，就能快速得出评估结果。
【实用模板】检查清单评分提示词（可直接复制，替换问题、答案和清单）：
# TASKYour task is to analyse and determineifthe answer follows following checklist or not. If not the identify knowledge gaps. Provide reasoningforyour answer.（你的任务是分析答案是否符合以下检查清单，若不符合，找出知识缺口，并为判断提供理由）# Questionaddhere the user question（此处替换为用户的原始问题）# Generated Answeraddhere the answer generated by this iteration of ReAct（此处替换为当前ReAct迭代生成的答案）# Checklistaddyour checklist here（此处替换为提前制定的检查清单，逐项列出要求）# OUTPUT FORMAT{"is_sufficient":true/false,（是否充分：是/否）"reasoning":"此处填写判断理由，对照清单说明是否符合要求","knowledge_gap":"此处填写未覆盖的清单要点（若is_sufficient为true，可填null）"}Planner + Plan Evaluator双模块架构（更稳定，落地首选）
前面我们介绍的评估器，主要是用来评估“搜索结果”是否充分，但小白可能没考虑到一点：Planner生成的计划本身，也可能存在问题。比如计划拆分不合理、调用了不存在的工具、子任务依赖关系混乱等，这些问题如果在执行前不发现，会导致后续执行失败，浪费大量资源。
为此，行业内衍生出更稳定、更适合落地的架构——Planner + Plan Evaluator双模块设计。核心逻辑很简单：先让Planner生成任务执行计划，再让专门的Plan Evaluator（计划评估器）审核这个计划的可行性、合理性；审核通过后，再让执行Agent执行计划；若审核不通过，就将计划打回给Planner，让其重新生成，直至得到合格的计划。
【小白必学】Plan Evaluator有两种典型的设计思路，小白可根据自身需求选择，无需盲目追求复杂：
思路一：多计划竞争。让Planner并行生成多个不同的执行计划，Plan Evaluator对照评估标准，从多个计划中挑选最优的一个执行。这种思路的优势是能大幅提升计划质量，减少后续执行失败的概率；但短板也很明显：成本和延迟会上升——多生成一个计划，就多一倍的token消耗，小白练手时可暂不考虑。
思路二：单计划审核。让Planner先生成一个执行计划，Plan Evaluator判断这个计划的好坏；如果合格，就直接执行；如果不合格，就打回给Planner，让其根据评估意见重新生成，重复这个流程，直至得到合格的计划。这种思路的优势是成本可控、token消耗少，适合小白入门落地，也是实际工程中最常用的思路。
【避坑指南】小白在设计Plan Evaluator时，重点关注以下几种常见的计划问题，提前设置检查逻辑，就能在执行前拦住大部分明显错误，避免资源浪费：
\1. 目标失败：Agent没有完成用户指定的核心任务，或者完成了任务，但违反了预设的约束条件。比如让模型规划一趟“旧金山到印度的两周旅行，预算5000美元”，结果规划到了越南；或者确实规划了印度行程，但预算直接超出了1000美元，都属于目标失败。
\2. 工具失败：这是最常见的问题，主要分为三种情况：① 调用了不存在的工具（比如工具库里只有baidu_search，计划里却调用了bing_search）；② 工具调用正确，但参数个数不对（比如工具lbs_to_kg只需传入1个参数<体重>，计划里却传了2个参数）；③ 参数个数正确，但参数值填写错误（比如该传入体重120磅，却传成了100磅）。
递归搜索Agent（ROMA架构，复杂问题专用）
前面我们介绍的所有架构，本质上都是“迭代式”的——从初始问题出发，一步步迭代搜索、优化答案。但从算法角度来看，迭代能做的事，递归也能做，而且递归天然适合处理“可分解、有层次”的复杂问题，比如复杂的研究类、分析类任务，小白掌握后，能大幅提升处理复杂问题的能力。
Sentient Labs就按照这个思路，推出了递归式搜索Agent架构——ROMA（Recursive Open Meta Agent），也是目前处理复杂深度搜索任务的主流架构之一。
【核心思路】ROMA的核心思想很简单：将一个复杂的核心问题，递归地分解成多个层级的子问题；每个子问题独立处理、获取答案；处理完成后，再将所有子问题的答案合并，最终得到核心问题的完整答案。
和前面提到的“并行拆分”不同，ROMA的子问题之间可以存在依赖关系——某个子问题的答案，可能是另一个子问题的输入。这种设计更贴合实际复杂研究任务的结构，比如“分析大模型Agent的发展趋势”，需要先拆分出“主流架构对比”“核心技术突破”“行业应用场景”三个子问题，而“行业应用场景”又需要依赖“核心技术突破”的答案，ROMA能很好地处理这种依赖关系。
【补充说明】上图是ROMA的简化版本，适合小白理解核心逻辑；在实际工程实现中，完整的ROMA架构还包含一层“基于依赖图的信息抽取机制”。这个依赖图的作用是专门管理子问题之间的前后依赖关系，确保有依赖的子任务按正确的顺序执行（比如先完成“核心技术突破”，再执行“行业应用场景”），避免出现执行顺序混乱导致的失败。
【小白提醒】递归架构的优势很突出：理论上可以处理任意深度的复杂查询，只要问题能被合理分解；但工程实现的门槛也更高，小白入门时需要重点处理三个问题：递归深度控制（避免无限递归）、子问题结果合并（确保答案连贯）、错误传播（防止一个子问题出错，导致整个架构崩溃）。
总结（小白落地指南，必看！）
最后需要强调的是：这四种架构并不是“非此即彼”的选择，而是可以根据需求灵活组合、逐步叠加的。小白和程序员入门时，无需一开始就追求复杂架构，掌握“从简单到复杂”的落地思路，才能快速上手、少走弯路。
\1. 入门首选：Planner-Only架构。实现简单、调试方便，无需复杂的评估模块，适合小白练手，快速跑通深度搜索Agent的核心流程，建立信心。
\2. 提升优化：叠加评估器模块。当需要提升Agent的智能度、避免资源浪费时，可加入评估器（普通评估器或检查清单评分），让系统更稳定、更高效，适合处理中等复杂度的任务。
\3. 场景适配：检查清单评分。如果你的需求是处理长篇幅答案（比如研究报告、多维度分析），优先选用检查清单评分的评估方式，能大幅提升评估准确性，降低调试难度。
\4. 复杂需求：ROMA递归架构。当需要处理深度复杂、有层级依赖的查询任务时，可尝试ROMA架构，但建议先掌握前面三种简单架构，再逐步攻克递归实现的难点，避免一开始就陷入复杂的工程问题。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
