refactor(deep_agent): 不使用默认的 create_deep_agent 而是仅使用其中间件重构深度智能体创建逻辑

重构深度智能体的创建逻辑，使用更灵活的create_agent替代create_deep_agent
添加多个中间件包括摘要、文件系统和子代理处理
优化研究代理的描述并更新提示词指导
修复聊天路由中extra_metadata的合并逻辑

Author: xerrors

server/routers/chat_router.py

@@ -234,7 +234,7 @@ async def save_partial_message(conv_mgr, thread_id, full_msg=None, error_message
             # 保存部分生成的AI消息
             msg_dict = full_msg.model_dump() if hasattr(full_msg, "model_dump") else {}
             content = full_msg.content if hasattr(full_msg, "content") else str(full_msg)
-            extra_metadata = msg_dict | {"error_type": error_type}
+            extra_metadata = msg_dict | extra_metadata
         else:
             content = ""
 

src/agents/deep_agent/graph.py

@@ -1,7 +1,14 @@
 """Deep Agent - 基于create_deep_agent的深度分析智能体"""
 
-from deepagents import create_deep_agent
-from langchain.agents.middleware import ModelRequest, dynamic_prompt
+from langchain.agents.middleware import ModelRequest, dynamic_prompt, SummarizationMiddleware
+
+from langchain.agents import create_agent
+from langchain.agents.middleware import TodoListMiddleware
+from langchain_anthropic.middleware import AnthropicPromptCachingMiddleware
+
+from deepagents.middleware.filesystem import FilesystemMiddleware
+from deepagents.middleware.patch_tool_calls import PatchToolCallsMiddleware
+from deepagents.middleware.subagents import SubAgentMiddleware
 
 from src.agents.common import BaseAgent, load_chat_model
 from src.agents.common.middlewares import context_based_model, inject_attachment_context
@@ -15,8 +22,7 @@
 research_sub_agent = {
     "name": "research-agent",
     "description": (
-        "用于研究更深入的问题。一次只给这个研究员一个主题。不要向这个研究员传递多个子问题。"
-        "相反，你应该将一个大主题分解成必要的组成部分，然后并行调用多个研究代理，每个子问题一个。"
+        "利用搜索工具，用于研究更深入的问题。"
     ),
     "system_prompt": (
         "你是一位专注的研究员。你的工作是根据用户的问题进行研究。"
@@ -81,15 +87,57 @@ async def get_graph(self, **kwargs):
         # 获取上下文配置
         context = self.context_schema.from_file(module_name=self.module_name)
 
+        model = load_chat_model(context.model)
+        tools = await self.get_tools()
+
+        if (
+            model.profile is not None
+            and isinstance(model.profile, dict)
+            and "max_input_tokens" in model.profile
+            and isinstance(model.profile["max_input_tokens"], int)
+        ):  # 此处参考 model.dev 中的 max_input_tokens
+            trigger = ("fraction", 0.85)
+            keep = ("fraction", 0.10)
+        else:
+            trigger = ("tokens", 110000)
+            keep = ("messages", 10)
+
         # 使用 create_deep_agent 创建深度智能体
-        graph = create_deep_agent(
-            model=load_chat_model(context.model),
-            tools=await self.get_tools(),
-            subagents=[critique_sub_agent, research_sub_agent],
+        graph = create_agent(
+            model=model,
+            tools=tools,
             middleware=[
                 context_based_model,  # 动态模型选择
                 context_aware_prompt,  # 动态系统提示词
                 inject_attachment_context,  # 附件上下文注入
+                TodoListMiddleware(),
+                FilesystemMiddleware(),
+                SubAgentMiddleware(
+                    default_model=load_chat_model(context.model),
+                    default_tools=tools,
+                    subagents=[critique_sub_agent, research_sub_agent],
+                    default_middleware=[
+                        TodoListMiddleware(),
+                        FilesystemMiddleware(),
+                        SummarizationMiddleware(
+                            model=model,
+                            trigger=trigger,
+                            keep=keep,
+                            trim_tokens_to_summarize=None,
+                        ),
+                        AnthropicPromptCachingMiddleware(unsupported_model_behavior="ignore"),
+                        PatchToolCallsMiddleware(),
+                    ],
+                    general_purpose_agent=True,
+                ),
+                SummarizationMiddleware(
+                    model=model,
+                    trigger=trigger,
+                    keep=keep,
+                    trim_tokens_to_summarize=None,
+                ),
+                AnthropicPromptCachingMiddleware(unsupported_model_behavior="ignore"),
+                PatchToolCallsMiddleware(),
             ],
             checkpointer=await self._get_checkpointer(),
         )

src/agents/deep_agent/prompts.py

@@ -3,6 +3,8 @@
 你应该做的第一件事是把原始的用户问题写入 `question.txt`，以便你有一个记录。
 
 使用 research-agent 进行深入研究。它会用详细的答案回应你的问题/主题。
+一次只给这个研究员一个主题。不要向这个研究员传递多个子问题。
+如有必要，你应该将一个大主题分解成必要的组成部分，然后并行调用多个研究代理，每个子问题一个。
 
 当你认为有足够的信息来撰写最终报告时，就把它写入 `final_report.md`
 
@@ -24,6 +26,7 @@
 3. 使用 [标题](URL) 格式引用相关来源
 4. 提供平衡、透彻的分析。尽可能全面，并包含与整体研究问题相关的所有信息。使用你进行深入研究，并期望得到详细、全面的答案
 5. 在末尾包含一个“来源”部分，列出所有引用的链接
+6. 如果有确定内容的图片 url，你应该在报告中包含它（根据 caption 判断是否相关）。
 
 你可以用多种不同的方式来组织你的报告。以下是一些例子：