Erstellung eines leistungsstarken KI-Forschungsassistenten mit PUNKU.AIs DeepResearch-Workflow

TL;DR: Der DeepResearch-Workflow in PUNKU.AI integriert Claude mit leistungsstarken Web-Browsing-Funktionen, spezialisierten Wissenswerkzeugen und adaptiven Suchstrategien, um einen umfassenden Forschungsassistenten zu schaffen. Mit Firecrawl für die Web-Erkundung, zusammen mit Wikipedia, Wikidata, arXiv und Yahoo Finance, liefert dieser Workflow detaillierte, quellenbasierte Forschung zu jedem Thema.

Einleitung

In der informationsreichen Welt von heute erfordert gründliche Forschung das Navigieren durch riesige Datenmengen aus mehreren Quellen. Traditionelle Forschungsmethoden sind oft nicht effizient und umfassend. Der DeepResearch-Workflow von PUNKU.AI geht dieser Herausforderung nach, indem er einen KI-gestützten Forschungsassistenten schafft, der ausgeklügelte Web-Browsing-Funktionen mit Zugang zu spezialisierten Wissensquellen kombiniert.

Dieser Blogbeitrag wird erkunden, wie der DeepResearch-Workflow aufgebaut ist, seine Komponenten untersuchen und demonstrieren, wie er für umfassende Forschungsaufgaben genutzt werden kann. Wir werden in die technische Architektur eintauchen, die diesen Workflow antreibt, und zeigen, wie PUNKU.AIs visuelle Programmieransätze die Erstellung komplexer KI-Anwendungen vereinfachen.

Visuelle Darstellung des Workflows

Das obige Diagramm veranschaulicht die Struktur des DeepResearch-Workflows, wobei der Deep Research Agent im Mittelpunkt verschiedene Werkzeuge orchestriert, um Benutzeranfragen zu verarbeiten und umfassende Forschungsergebnisse zu liefern.

Komponentenaufgliederung

Kernkomponenten

1. Deep Research Agent

Der Deep Research Agent ist der zentrale Koordinator des Workflows und wird von Claude (Anthropic) angetrieben, mit spezieller Konfiguration zur Bewältigung von Forschungsaufgaben.

"model_name": "claude-3-7-sonnet-20250219",
"temperature": 0.1,
"max_tokens": 5000,
"max_iterations": 40

Dieser Agent orchestriert den Forschungsprozess, indem er:

• Komplexe Fragen in kleinere, erforschbare Komponenten zerlegt

• Die geeigneten Werkzeuge für jede Forschungsaufgabe auswählt

• Den iterativen Forschungsprozess mit konfigurierbarer Tiefe verwaltet (Standard: 7 Iterationen)

• Ergebnisse in umfassende, gut strukturierte Antworten synthetisiert

• Die richtige Quellenangabe für alle Informationen bereitstellt

2. Chat-Eingabe- und Ausgabe-Komponenten

• Chat-Eingabe: Nimmt Benutzeranfragen entgegen und leitet sie an den Forschungsagenten weiter

• Chat-Ausgabe: Zeigt formatierte Ergebnisse dem Benutzer an, einschließlich aller Quellen

3. Systemaufforderung

Die Systemaufforderung gibt dem Agenten detaillierte Anweisungen, wie er Forschung durchführen, Quellen bewerten und Antworten formatieren soll:

Web-Erkundungswerkzeuge

1. Tavily AI-Suche

Diese Komponente bietet eine KI-optimierte Suchmaschine, die speziell für LLMs und RAG-Anwendungen entwickelt wurde:

• Unterstützt grundlegende und erweiterte Suchtiefe

• Konfigurierbares Ergebnisslimit und Zeitrahmen

• Option, Bilder und Zusammenfassungsantworten einzuschließen

• Strukturierte Ausgabe mit URLs, Titeln und Inhalten

2. Firecrawl-Komponenten

Der Workflow umfasst vier spezialisierte Firecrawl-Komponenten, die zusammenarbeiten, um umfassende Web-Browsing-Funktionen bereitzustellen:

• FirecrawlMapApi: Kartiert die Website-Struktur, um relevante Seiten zu identifizieren

  • Erstellt Standortkarten für systematisches Navigieren

  • Identifiziert Inhaltsbeziehungen innerhalb von Domänen

  • Unterstützt Sitemap- und Subdomain-Erkundungsoptionen

• FirecrawlCrawlApi: Durchsucht gesamte Websites für umfassende Inhaltsuntersuchungen

  • Folgt Links bis zur festgelegten Tiefe

  • Verarbeitet Crawler-Optionen wie Tiefe und Linkverfolgung

  • Konfigurierbare Timeout-Einstellungen (Standard: 3000 ms)

• FirecrawlScrapeApi: Extrahiert Inhalte von bestimmten URLs

  • Ruft saubere, strukturierte Inhalte von Webseiten ab

  • Formatiert die Ausgabe als Markdown für konsistente Präsentation

  • Konzentriert sich auf den Hauptinhalt und filtert Navigationselemente und Anzeigen

• FirecrawlExtractApi: Führt gezielte Extraktionen spezifischer Informationen durch

  • Extrahiert strukturierte Informationen mithilfe von Schemata

  • Verwendet Eingabeaufforderungen in natürlicher Sprache zur Anleitung der Extraktion

  • Unterstützt die Integration von Websuchen für zusätzlichen Kontext

Wissensdatenbank-Werkzeuge

1. Wikipedia-Komponente

Bietet Enzyklopädie-Wissen zu einer breiten Palette von Themen:

"lang": "en",
"k": 4,
"doc_content_chars_max": 4000

• Konfigurierbare Sprachenauswahl (Standard: Englisch)

• Anpassbare Ergebnismenge (Standard: 4 Artikel)

• Inhaltslängenverwaltung mit Zeichenlimits

• Gibt sowohl strukturierte Daten als auch formatierten Text zurück

2. Wikidata-Komponente

Greift auf strukturierte Daten über Entitäten und Konzepte zu:

• Gibt Entitätsinformationen mit Bezeichnungen, Beschreibungen und Identifikatoren zurück

• Bietet eindeutige Entitäts-IDs (Q-Nummern) für zuverlässige Referenzen

• Beinhaltet Konzept-URIs und Wikidata-Seiten-URLs

• Nützlich zur Identifizierung spezifischer Entitäten und ihrer Eigenschaften

Spezialisierte Forschungswerkzeuge

1. arXiv-Komponente

Durchsucht und ruft akademische Forschungsarbeiten ab:

"search_type": "all",
"max_results": 10

• Durchsucht Arbeiten nach Titel, Abstract, Autor oder Kategorie

• Gibt umfassende Metadaten, einschließlich Abstracts, Autoren und Veröffentlichungsdaten, zurück

• Bietet direkte Links zu PDF-Downloads und Zeitschriftenreferenzen

• Konfigurierbares Ergebnisslimit (Standard: 10 Arbeiten)

2. Yahoo Finance-Komponente

Greift auf Finanzdaten und Marktinformationsressourcen zu:

"method": "get_news",
"num_news": 5

• Ruft Aktienkurse mit verschiedenen Methoden ab (Informationen, Nachrichten, Finanzberichte)

• Unterstützt über 25 Methoden zur Datenabfrage, einschließlich Gewinnberichte, Dividenden und SEC-Einreichungen

• Konfigurierbare Anzahl von Nachrichtenartikeln für die Nachrichtenabfrage

• Strukturierte Ausgabe mit Titeln, Links und Inhalten

Workflow-Erklärung

Schritt-für-Schritt-Ausführungsfluss

1. Benutzereingabeverarbeitung:

   • Der Workflow beginnt, wenn ein Benutzer eine Forschungsfrage über die Chat-Eingabe-Komponente einreicht

   • Die Anfrage wird zusammen mit der Systemaufforderung und den verfügbaren Werkzeugen an den Deep Research Agenten übergeben

2. Forschungsplanung:

   • Der Agent analysiert die Anfrage und zerlegt sie in spezifische Forschungsbestandteile

   • Er bestimmt eine geeignete Forschungsstrategie, einschließlich der zu verwendenden Werkzeuge und deren Reihenfolge

3. Iterativer Forschungsprozess:

   • Der Agent führt die Forschung in mehreren Iterationen durch (konfigurierbare Tiefe)

   • Für jede Iteration folgt er einem systematischen Prozess:

     • SUCHE-Phase: Verwendet die geeigneten Suchwerkzeuge (Tavily, Firecrawl), um relevante Quellen zu finden

     • EXTRAKT-Phase: Extrahiert Inhalte aus identifizierten Quellen

     • ANALYSE-Phase: Analysiert die gesammelten Informationen und identifiziert Wissenslücken

     • PLAN-Phase: Bestimmt den nächsten Suchfokus basierend auf der Analyse

4. Informationssynthese:

   • Nach Abschluss der Forschungsiterationen synthetisiert der Agent alle Ergebnisse

   • Er organisiert die Informationen logisch und erstellt eine umfassende Antwort

   • Alle Quellen werden ordnungsgemäß mit URLs angegeben

5. Antwortgenerierung:

   • Die endgültigen Forschungsergebnisse werden mit klarer Struktur und Überschriften formatiert

   • Quellen werden in einem speziellen Abschnitt mit dem richtigen Zitationsformat angegeben

   • Die Antwort wird dem Benutzer über die Chat-Ausgabe-Komponente angezeigt

Datenumwandlungen

Der Workflow führt mehrere wichtige Datenumwandlungen durch:

1. Abfrage → Suchergebnisse:

   • Benutzeranfragen werden in mehrere Suchanfragen über verschiedene Werkzeuge umgewandelt

   • Suchergebnisse werden als strukturierte Daten mit URLs und Metadaten zurückgegeben

2. URLs → Inhalt:

   • URLs aus den Suchergebnissen werden verwendet, um vollständige Inhalte zu extrahieren

   • Inhalte werden bereinigt, formatiert und zum Analysieren strukturiert

3. Inhalt → Erkenntnisse:

   • Rohinhalte werden analysiert, um wichtige Fakten, Datenpunkte und Konzepte zu extrahieren

   • Die Analyse identifiziert Muster, Beziehungen und Wissenslücken

4. Erkenntnisse → Umfassende Antwort:

   • Einzelne Erkenntnisse werden in eine kohärente, umfassende Antwort synthetisiert

   • Informationen werden mit klarer Struktur und logischem Fluss organisiert

   • Alle Quellen werden ordnungsgemäß angegeben

Schlüsselmechanismen

1. Adaptive Suchstrategie

Der DeepResearch-Workflow verwendet eine adaptive Suchstrategie, die die geeignetsten Werkzeuge basierend auf dem Forschungsthema auswählt und den Suchfokus iterativ verfeinert:

# Simplified logic for tool selection
if topic_is_academic:
    primary_tool = "arXiv"
elif topic_is_financial:
    primary_tool = "YahooFinance"
else:
    primary_tool = "TavilySearch"

2. Quellenverfolgung

Der Workflow führt eine sorgfältige Verfolgung aller Quellen, um sicherzustellen, dass jedes Informationsstück auf seinen Ursprung zurückverfolgt werden kann:

# Source tracking mechanism (simplified)
for content in extracted_content:
    source_url = content.get("source")
    if source_url and source_url not in state["all_sources"]:
        state["all_sources"].append(source_url)

3. Deep Research Loop

Der iterative Forschungsprozess wird durch eine strukturierte Schleife verwaltet, die fortgesetzt wird, bis ausreichend Informationen gesammelt sind oder die maximale Tiefe erreicht ist:

# Deep research loop (simplified)
while state["current_depth"] < state["max_depth"]:
    state["current_depth"] += 1
    search_results = await search_web(query)
    extracted_content = await extract_from_urls(search_results)
    analysis = await analyze_and_plan(extracted_content)
    
    if not analysis["should_continue"]:
        break
        
    query = analysis["next_search_topic"]

Anwendungsfälle & Anwendungen

Der DeepResearch-Workflow kann auf eine Vielzahl von Forschungsszenarien angewendet werden:

1. Akademische Forschung

Forscher können den Workflow verwenden, um:

• Umfassende Literaturreviews über mehrere Quellen durchzuführen

• Schlüsselarbeiten und Forschungsergebnisse zu bestimmten Themen zu identifizieren

• Verbindungen zwischen verschiedenen Forschungsbereichen zu entdecken

• Über aktuelle Entwicklungen in ihrem Bereich informiert zu bleiben

Anpassung: Die Priorität der arXiv-Suche erhöhen und die Systemaufforderung anpassen, um akademische Zitiervorgaben zu betonen.

2. Marktforschung

Marktanalyse kann den Workflow nutzen, um:

• Branchentrends und Marktdynamiken zu erforschen

• Wettbewerbsstrategien und Positionierungen zu analysieren

• Die finanzielle Leistung von Unternehmen und Sektoren zu überwachen

• Nachrichten und Entwicklungen zu verfolgen, die spezifische Märkte betreffen

Anpassung: Yahoo Finance und Nachrichtenquellen priorisieren und die Systemaufforderung anpassen, um auf Geschäftsanalysen zu fokussieren.

3. Due Diligence

Investoren und juristische Fachkräfte können den Workflow nutzen für:

• Umfassende Hintergrundüberprüfungen von Unternehmen und Einzelpersonen

• Überprüfung von Ansprüchen und Aussagen

• Identifikation potenzieller Risiken oder Probleme

• Entdeckung von Verbindungen und Beziehungen

Anpassung: Fachspezifische Datenbanken hinzufügen und die Extraktionsfähigkeiten für spezifische Informationsarten verbessern.

4. Technische Dokumentation

Entwickler und technische Writer können von:

• Umfassenden Informationen zu technischen Themen profitieren

• Dokumentationen aus mehreren Quellen zusammenzustellen

• Best-Practices und Lösungen für technische Herausforderungen zu identifizieren

• Über neu auftauchende Technologien informiert zu bleiben

Anpassung: GitHub und technische Dokumentationsseiten als spezialisierte Werkzeuge hinzufügen und die Systemaufforderung anpassen, um Codebeispiele und technische Details zu priorisieren.

5. Inhaltsproduktion

Inhaltsproduzenten können den Workflow nutzen, um:

• Themen gründlich zu recherchieren, bevor sie Inhalte erstellen

• Vielfältige Perspektiven und Standpunkte zu sammeln

• Faktische Genauigkeit mit der richtigen Quellenangabe sicherzustellen

• Interessante Winkel und Erkenntnisse für ihre Inhalte zu identifizieren

Anpassung: Das Ausgabeformat an die Bedürfnisse der Inhaltserstellung anpassen und die Systemaufforderung verbessern, um ansprechende Präsentationen zu betonen.

Optimierung & Anpassung

Leistungsverbesserung

1. Forschungstiefe anpassen:

   • Erhöhen Sie max_research_depth für gründlichere Forschung (Standard: 7)

   • Verringern für schnellere, aber weniger umfassende Ergebnisse

   • Beispiel: "max_research_depth": 10 für extrem gründliche Forschung

2. Inhaltsextraktion optimieren:

   • Passen Sie content_char_limit an, um die Menge an Text zu steuern, die aus jeder Quelle extrahiert wird

   • Standard: 16000 Zeichen

   • Beispiel: "content_char_limit": 8000 für schnellere Verarbeitung mit weniger Kontext

3. URLs pro Suche konfigurieren:

   • Ändern Sie urls_per_search, um zu steuern, wie viele URLs in jeder Iteration verarbeitet werden

   • Standard: 5 URLs

   • Beispiel: "urls_per_search": 10 für breitere Abdeckung in jeder Iteration

4. Modellparameter anpassen:

   • Temperatur basierend auf den Forschungsbedürfnissen optimieren (niedriger für sachliche Forschung, höher für kreative Erkundung)

   • max_tokens anpassen, um die Länge der Antworten zu steuern

Anpassung für spezifische Bereiche

1. Spezialisierte Forschungsagenten: Passen Sie die Systemaufforderung an, um bereichsspezifische Forschungsagenten zu erstellen:

2. Werkzeugpriorisierung: Passen Sie die Konfiguration an, um bereichsrelevante Werkzeuge zu priorisieren:

# For financial research
financial_tools = ["YahooFinance", "FirecrawlExtractApi"]

3. Benutzerdefinierte Extraktionsschemata: Definieren Sie spezialisierte Extraktionsschemata für spezifische Informationsarten:

"schema": {
  "type": "object",
  "properties": {
    "companyName": {"type": "string"},
    "revenue": {"type": "string"},
    "growthRate": {"type": "string"},
    "marketPosition": {"type": "string"}
  }
}

4. Ausgabeformat-Anpassung: Passen Sie die Systemaufforderung an, um bereichs angemessene Ausgabeformate anzugeben:

Technische Einblicke

Architekturmuster

Der DeepResearch-Workflow veranschaulicht mehrere wichtige architektonische Muster:

1. Werkzeugorchestrierungsmuster:

   • Der Deep Research Agent fungiert als Orchestrator für eine Vielzahl von Werkzeugen

   • Jedes Werkzeug ist auf spezifische Informationen spezialisiert

   • Der Agent wählt dynamisch die geeigneten Werkzeuge basierend auf dem Forschungskontext aus und wendet sie an

2. Iteratives Verfeinerungsmuster:

   • Die Forschung erfolgt in mehreren Iterationen

   • Jede Iteration baut auf vorherigen Ergebnissen auf und adressiert identifizierte Wissenslücken

   • Der Prozess setzt sich fort, bis genügend Informationen gesammelt wurden oder die maximale Tiefe erreicht ist

3. Hierarchisches Verarbeitungsmuster:

   • Informationen werden durch progressive Abstraktionsstufen verarbeitet:

     • Rohe Inhalte → Strukturierte Daten → Schlüsselerkenntnisse → Umfassende Synthese

   • Jede Stufe transformiert die Daten in wertvollere und nutzbarere Formen

Innovative Ansätze

Der Workflow integriert mehrere innovative Ansätze für die Forschung:

1. Deep Research Algorithmus: Der Kernalgorithmus kombiniert iterative Erkundung mit systematischer Analyse:

async def deep_research(self, topic: str, max_depth: int = 7):
    state = {
        "findings": [],
        "summaries": [],
        "key_insights": [],
        "all_sources": [],
        "current_depth": 0,
        "max_depth": max_depth
    }
    
    while state["current_depth"] < state["max_depth"]:
        state["current_depth"] += 1
        
        # SEARCH phase
        search_results = await self.search_web(query)
        
        # EXTRACT phase
        extracted_content = await self.extract_from_urls(search_results)
        state["findings"].extend(extracted_content)
        
        # ANALYZE phase
        analysis, raw_analysis = await self.analyze_and_plan(state["findings"], topic)
        
        # Update state with analysis results
        state["summaries"].append(raw_analysis)
        state["next_search_topic"] = analysis.get("next_search_topic", "")
        
        # Check if we should continue
        if not analysis.get("should_continue", False):
            break
    
    # Final synthesis
    final_analysis = await self.synthesize_findings(state["findings"], state["summaries"], topic)
    
    return {
        "analysis": final_analysis,
        "findings": state["findings"],
        "sources": state["all_sources"]
    }

2. Quellenverifizierung: Der Workflow implementiert einen ausgeklügelten Ansatz zur Verfolgung und Verifizierung von Quellen:

   • Jedes Informationsstück ist mit seiner Quelle verbunden

   • Quellen werden normalisiert, um Duplikate zu vermeiden

   • Die Domänenerfassung bietet zusätzlichen Kontext zur Autorität der Quelle

   • Die Quellenformatierung folgt konsistenten Zitationsstandards

3. Adaptive Werkzeugauswahl: Der Workflow wählt dynamisch die geeignetsten Werkzeuge basierend auf Mustern in den Werkzeugnamen und dem Forschungskontext aus:

# Tool selection strategy (simplified)
tool_patterns = [
    (lambda name: "tavily" in name.lower(), "Tavily Search"),
    (lambda name: "serp" in name.lower(), "Search Engine"),
    (lambda name: "wiki" in name.lower(), "Wikipedia Search"),
    (lambda name: "firecrawl" in name.lower(), "Firecrawl")
]

for pattern_func, tool_type in tool_patterns:
    for tool in tools:
        if pattern_func(tool.name):
            return tool, tool_type

Fazit

Der DeepResearch-Workflow in PUNKU.AI stellt einen leistungsstarken Ansatz für KI-unterstützte Forschung dar, der die Denkfähigkeiten fortschrittlicher Sprachmodelle mit spezialisierten Werkzeugen für Informationsabfrage und -analyse kombiniert. Durch die Orchestrierung dieser Komponenten durch einen systematischen Forschungsprozess ermöglicht der Workflow eine umfassende Erkundung komplexer Themen über mehrere Quellen hinweg.

Die modulare Architektur des Workflows erlaubt Anpassungen an spezifische Bereiche und Anwendungsfälle, was ihn zu einer vielseitigen Lösung für Forscher, Analysten und Inhaltsproduzenten macht. Der Schwerpunkt auf Quellenangabe und strukturierter Präsentation stellt sicher, dass die Forschungsergebnisse nicht nur umfassend, sondern auch glaubwürdig und verwendbar sind.

Mit dem stetigen Fortschritt der KI-Technologie zeigen Workflows wie DeepResearch, wie visuelle Programmierumgebungen wie PUNKU.AI die Erstellung anspruchsvoller KI-Anwendungen vereinfachen können, sodass fortschrittliche Fähigkeiten einem breiteren Nutzerkreis zugänglich werden, ohne dass tiefgehende technische Expertise erforderlich ist.

Durch die Nutzung der Leistung von Claude, der Firecrawl-Web-Browsing-Funktionen und spezialisierter Wissensquellen stellt DeepResearch einen bedeutenden Schritt nach vorn dar, wie wir die Informationsentdeckung und -synthese im Zeitalter der KI angehen.