📌 一句话摘要

基于 Spring AI Alibaba Graph，DeepResearch 系统实现了 AI 驱动的自动化信息搜集、分析与结构化报告生成，并详细阐述了其架构与 RAG、多 Agent、报告等核心功能。

📝 详细摘要

文章详细介绍了基于 Spring AI Alibaba Graph 构建的 Java 版 DeepResearch 系统，该系统旨在实现从信息搜集、分析到结构化报告生成的全自动化流程。文章首先概述了系统的推理链路、Java 技术栈、Spring 生态集成、可观测性及可溯源输出等核心能力。随后，深入剖析了由 11 个节点组成（如协调、重写、背景调查、规划、研究、编码、报告等）的整体架构，并详细阐述了 RAG（检索增强生成）功能，包括其多源数据检索、混合检索策略、RRF 融合算法以及多种数据摄取和向量存储配置。此外，文章还介绍了通用搜索工具、MCP（模型上下文协议）集成、动态报告生成与导出（支持 Markdown、PDF、HTML）以及连续对话能力的实现机制。最后，提供了详细的 Docker 部署和本地开发启动指南，展现了系统的实用性和可操作性，为构建企业级 AI 应用提供了有价值的参考。

💡 主要观点

1. DeepResearch 系统通过多 Agent 协作实现全自动信息搜集与报告生成。 系统设计了 11 个核心节点，如规划、研究、编码、报告等，通过协调器调度，实现从用户提问到结构化报告输出的端到端自动化流程，显著提升研究效率。
2. 混合 RAG 功能支持多源数据检索与智能融合，提升信息准确性。 集成了 API、Elasticsearch、用户文件等多源检索，并采用倒数排序融合（RRF）算法对结果进行智能重排序，为 LLM 提供更全面、准确的上下文信息。
3. 系统提供动态报告生成、多种导出格式及连续对话能力，增强用户体验。 研究成果可动态生成 Markdown/PDF/HTML 报告，并支持会话上下文管理，确保多轮交互的连贯性，极大方便用户查阅、归档和分享。

💬 文章金句

• 我们基于 SpringAI Alibaba Graph 构建了一套 Java 版本的 DeepResearch 系统，实现了从信息搜集、分析到结构化报告生成的全自动流程。
• spring-ai-alibaba-deepresearch 项目集成的 RAG 功能，并非依赖单一的检索方式，而是通过策略模式，灵活地从多种异构数据源中检索信息，并将检索结果进行智能融合与重排序。
• 其混合检索的能力，特别是结合了 RRF 算法的多路召回融合机制，能够有效整合来自不同数据源的信息，显著提升信息检索的全面性和准确性，为构建企业级、高可用的 RAG 应用提供了坚实的基础。
• DeepResearch 支持用户集成额外的 MCP（Model Context Protocol）服务，以增强研究者节点（ResearcherNode）和代码节点（CoderNode）的处理能力。
• 该功能确保在同一个用户会话中，用户之前的问题以及工作流上几次运行输出的报告，能够作为历史上下文信息，被有效地注入到本次工作流的特定节点。

📊 文章信息

阅读完整文章