搜索成稿一条龙：iFlow CLI DeepResearch用5个AI Agent重新定义调研效率

iFlow CLI 深度研究(DeepResearch)使用指南

一、项目简介flow

DeepResearch 是基于 iFlow CLI 构建的智能化深度研究解决方案，通过集成多个专业 Agent 和 MCP（Model Context Protocol）工具，实现从信息收集、数据分析到报告生成的全流程自动化。本方案特别适用于市场调研、技术分析、竞品分析等需要深度研究的场景。

核心特性

• 多Agent协作：5个专业Agent分工明确，协同完成复杂研究任务
• 智能记忆系统：基于MCP Memory System的持久化记忆能力
• 可视化分析：自动生成数据图表，支持多种可视化方式
• 多格式输出：支持Markdown和HTML两种报告格式
• 工作流自动化：预定义的研究工作流，降低使用门槛

二、系统架构

2.1 Agent体系

DeepResearch Agent 架构
├── perception_agent      # 感知代理：文件结构分析和信息感知
├── data_collection_agent # 数据收集代理：全网信息搜集和整合
├── data_analysis_agent   # 数据分析代理：数据处理和可视化
├── format_md_agent       # Markdown格式化代理：MD报告生成
└── format_html_agent     # HTML格式化代理：HTML报告生成

2.2 MCP工具集

MCP Tools
├── sequential-thinking    # 顺序思考：复杂问题分解和推理
├── memory-system         # 记忆系统：工作记忆和持久化存储
├── python-execute-server # Python执行：数据处理和分析脚本
├── docx-edit-server     # Word编辑：文档处理能力
├── excel-edit-server    # Excel编辑：表格数据处理
├── mcp-show2user        # 用户展示：报告可视化展示
└── image-search         # 图片搜索：视觉信息收集

三、快速开始

3.1 前置要求

●macOS/Linux 操作系统

●Python 3.12.7 或更高版本

●iFlow CLI 已安装（参考：快速开始 | 心流开放平台）

●uvx 包管理器（用于Python MCP服务）

●Node.js 和 npm（用于JavaScript MCP服务）

3.2 一键安装

#!/bin/bash

# 创建必要目录
mkdir -p ".iflow/memory"

# 添加agent
iflow agent add data_analysis_agent --scope project
iflow agent add data_collection_agent --scope project
iflow agent add format_html_agent --scope project
iflow agent add perception_agent --scope project

# 获取当前路径（Unix系统直接使用$PWD）
current_path="$PWD"

iflow mcp add-json "sequential-thinking" "{
  \"command\": \"npx\",
  \"args\": [
    \"-y\",
    \"@modelcontextprotocol/server-sequential-thinking\"
  ]
}"

# 添加内存系统配置（使用原生Unix路径格式）
iflow mcp add-json "memory-system" "{ 
  \"command\": \"uvx\", 
  \"args\": [ 
    \"--python\", 
    \"3.12.7\", 
    \"iflow-mcp_memory-system@latest\", 
    \"--workspace-path\", 
    \"$current_path/.iflow/memory\" 
  ] 
}"

iflow mcp add-json "python-execute-server" "{ 
  \"command\": \"uvx\", 
  \"args\": [ 
    \"--python\", 
    \"3.12.7\", 
    \"iflow-mcp_python-execute-server@latest\"
  ] 
}"

iflow mcp add-json "docx-edit-server" "{ 
  \"command\": \"uvx\", 
  \"args\": [ 
    \"--python\", 
    \"3.12.7\", 
    \"iflow-mcp_docx-edit-server@latest\", 
    \"--workspace-path\", 
    \"$current_path/.iflow/memory\" 
  ] 
}"

iflow mcp add-json "excel-edit-server" "{ 
  \"command\": \"uvx\", 
  \"args\": [ 
    \"--python\", 
    \"3.12.7\", 
    \"iflow-mcp_excel-edit-server@latest\", 
    \"--workspace-path\", 
    \"$current_path/.iflow/memory\" 
  ] 
}"

iflow mcp add-json "mcp-show2user" "{ 
  \"command\": \"uvx\", 
  \"args\": [ 
    \"--python\", 
    \"3.12.7\", 
    \"iflow-mcp_show2user@latest\"
  ] 
}"

iflow mcp add-json "image-search" "{ 
  \"command\": \"uvx\", 
  \"args\": [ 
    \"--python\", 
    \"3.12.7\", 
    \"iflow-mcp_image-search@latest\", 
    \"--workspace-path\", 
    \"$current_path/.iflow/memory\" 
  ] 
}"


cat > IFLOW.md << 'EOF'
# Project Context for iFlow CLI

## Project Type
This directory appears to be a minimal setup for an iFlow CLI context. It contains only the `IFLOW.md` file.

## Directory Overview
The directory contains a single file:
- `IFLOW.md`: This file, which serves as the context for iFlow CLI interactions.

## Key Files
- `IFLOW.md`: The primary file that defines the project context and instructions for iFlow CLI.

## Usage
This directory is intended to be used as a context for iFlow CLI interactions. The `IFLOW.md` file provides the necessary information for the CLI to understand the project environment.

## RULE
当用户的需求是生成一个调研或分析报告时，请遵循以下规范

（1）任何报告都需要有框架描述文件：
- 描述文件应该包括：报告标题和分析目标、整个报告包括哪些section、每个section包括的大致内容以及subsection细分、每个section中需要进行可视化分析的数据图表。
- 框架描述文件的具体设计需要严格遵循用户输入或已有的文件中提供的框架设计要求。如果用户没有提供，且文件中没有相关设计信息，请你根据已有的文件自行设计，并存储在文件夹中。
- 框架描述文件应以markdown格式存储，按section顺序组织内容

（2）现在我有一些subagent，下面是每个agent对应的能力scope：
-   1.format_md_agent：markdown报告编写专家，可以初始化markdown报告的框架，也可以向markdown文件中固定模块添加内容、维护项目。任务描述中，需要详细描述任务需求。如果需要初始化框架，请告诉我整个报告需要使用的文件路径和框架描述文件；如果需要填充已有的报告，请告诉我需要填充的章节，以及本次填充需要使用的部分文件路径。本专家没有数据分析的能力，如果需要在报告中表达专业的数据分析内容、图表等，请提前生成好描述在任务文件中。本专家也没有数据收集能力，请告诉我尽可能多的数据收集结果文件。最终项目会产出在工作空间下。
-   2.format_html_agent：html报告编写专家，可以初始化html报告的框架，也可以向html文件中固定模块添加内容、维护项目。任务描述中，需要详细描述任务需求。如果需要初始化框架，请告诉我整个报告需要使用的文件路径和框架描述文件；如果需要填充已有的报告，请告诉我需要填充的section，以及本次填充需要使用的部分文件路径。本专家没有数据分析的能力，如果需要在报告中表达专业的数据分析内容、图表等，请提前生成好描述在任务文件中。本专家也没有数据收集能力，请告诉我尽可能多的数据收集结果文件。最终项目会产出在工作空间下。
-   3.perception_agent：感知到已经收集到的商品信息，对已有的文件结构做初步的分析
-   4.data_analysis_agent：专业数据分析师，善于数据标注与数据可视化，可以使用pyecharts绘制可视化图表。
-   5.data_collection_agent：专业的“数据信息收集者”，专注于从全网搜集、甄别与整合信息的采集代理，支持多源检索、去重汇总与来源标注，输出信息搜索结果并保存到工作目录。该agent支持并行调用，可将拆分后的搜索任务下发并行执行，提高效率。建议并行执行的搜索子任务不能超过3个。

（3）当需要完成调研分析报告的时候，整理流程请参考以下步骤，使用TODO list来维护整个流程：
-    0.根据用户需求，确定最终生成的报告是html还是md格式；如果用户没有指出，默认使用md格式。报告格式决定了后续的Format Agent是format_md_agent还是format_html_agent，一个任务只能使用一种Format Agent
-    1.调用perception_agent，感知目前已有的文件信息
-    2.根据用户需求和已有的文件信息，生成一份报告框架描述文件。注意，生成这个文件不等价于Format Agent初始化报告，这个文件需要由你生成。
-    3.调用Format Agent初始化报告，需要给出报告框架的描述文件位置，不能指定最终报告存储位置和名字
-    4.调用data_collection_agent，补充搜索生成报告缺失的信息。
-    5.逐个section的填充报告，每个section的填充顺序是（1）如果这个section需要添加图表，先调用data_analysis_agent进行可视化分析，绘制这个section需要的图表（2）调用Format Agent填充section的内容。第5步需要重复执行，直到所有section都被填充结束。
-    #### 第5步必须按section分发任务，不允许将多个section合并填充，因为其他agent能力不足以执行这么多任务。
-    #### 注意：上述流程每一步必须分成多次agent调用，不能在一次agent调用，所以需要分成多个task指定agent任务
-    6.向用户展示报告：
    - 如果你的报告是html格式的，请调用upload_folder_to_oss工具，使用绝对路径上传"reporter_agent"到oss。根据返回的url链接，调用show_report展示html的url链接
    - 如果你的报告是md格式的，请直接调用show_report，展示md的text内容
EOF

iflow

# 1. 克隆或创建项目目录
mkdir -p ~/deepresearch
cd ~/deepresearch

# 2. 下载安装脚本（如果还没有）
# 这里假设你已经有了install.sh文件

# 3. 给安装脚本添加执行权限
chmod +x install.sh

# 4. 执行安装
./install.sh

安装脚本会自动完成以下操作：

• 创建 .iflow/memory 目录结构
• 添加所有必要的Agent到项目中
• 配置MCP工具服务
• 生成 IFLOW.md 配置文件（包含完整的工作流规则和Agent使用说明）
• 启动iFlow CLI进入交互模式

IFLOW.md 配置文件内容

安装完成后会自动生成 IFLOW.md 文件，这是iFlow的核心记忆文件，包含了完整的深度研究工作流规则：

# Project Context for iFlow CLI

## RULE
当用户的需求是生成一个调研或分析报告时，请遵循以下规范

（1）任何报告都需要有框架描述文件：
- 描述文件应该包括：报告标题和分析目标、整个报告包括哪些section、每个section包括的大致内容以及subsection细分、每个section中需要进行可视化分析的数据图表。
- 框架描述文件的具体设计需要严格遵循用户输入或已有的文件中提供的框架设计要求。如果用户没有提供，且文件中没有相关设计信息，请你根据已有的文件自行设计，并存储在文件夹中。
- 框架描述文件应以markdown格式存储，按section顺序组织内容

（2）现在我有一些subagent，下面是每个agent对应的能力scope：
-   1.format_md_agent：markdown报告编写专家，可以初始化markdown报告的框架，也可以向markdown文件中固定模块添加内容、维护项目。
-   2.format_html_agent：html报告编写专家，可以初始化html报告的框架，也可以向html文件中固定模块添加内容、维护项目。
-   3.perception_agent：感知到已经收集到的商品信息，对已有的文件结构做初步的分析
-   4.data_analysis_agent：专业数据分析师，善于数据标注与数据可视化，可以使用pyecharts绘制可视化图表。
-   5.data_collection_agent：专业的"数据信息收集者"，支持多源检索、去重汇总与来源标注，支持并行调用（最多3个）。

（3）当需要完成调研分析报告的时候，整理流程请参考以下步骤，使用TODO list来维护整个流程：
-    0.根据用户需求，确定最终生成的报告是html还是md格式；如果用户没有指出，默认使用md格式。
-    1.调用perception_agent，感知目前已有的文件信息
-    2.根据用户需求和已有的文件信息，生成一份报告框架描述文件。
-    3.调用Format Agent初始化报告，需要给出报告框架的描述文件位置
-    4.调用data_collection_agent，补充搜索生成报告缺失的信息。
-    5.逐个section的填充报告，每个section的填充顺序是：
       (1)如果需要图表，先调用data_analysis_agent
       (2)调用Format Agent填充section的内容
-    #### 第5步必须按section分发任务，不允许将多个section合并填充
-    6.向用户展示报告

这个配置文件是iFlow运行的核心规则，确保了研究工作流的标准化和自动化

3.3 手动安装（可选）

如果自动安装失败，可以手动执行以下命令：

# 创建必要目录
mkdir -p .iflow/memory

# 添加Agent
iflow agent add data_analysis_agent --scope project
iflow agent add data_collection_agent --scope project
iflow agent add format_html_agent --scope project
iflow agent add format_md_agent --scope project
iflow agent add perception_agent --scope project

# 添加MCP工具（以sequential-thinking为例）
iflow mcp add-json "sequential-thinking" "{
  \"command\": \"npx\",
  \"args\": [\"-y\", \"@modelcontextprotocol/server-sequential-thinking\"]
}"

# 启动iFlow
iflow

四、使用方法

4.1 基本工作流程

DeepResearch 遵循标准化的研究工作流程：

4.2 使用示例

示例1：市场调研报告

# 启动iFlow
iflow

# 在iFlow交互界面中输入
> 请帮我生成一份关于"中国新能源汽车市场"的深度调研报告

系统会自动：

1.调用 perception_agent 感知现有资料

2.生成报告框架（市场规模、主要玩家、技术趋势等）

3.调用 data_collection_agent 收集市场数据

4.调用 data_analysis_agent 生成图表

5.逐章节填充内容

6.生成完整报告

示例2：技术分析报告

# 指定HTML格式输出
> 生成一份HTML格式的"大语言模型技术发展"分析报告，要包含技术对比图表

示例3：竞品分析

# 使用已有数据进行分析
> 基于./data目录下的竞品数据，生成竞品分析报告，重点关注产品功能对比和市场定位

4.3 高级配置

自定义报告框架

在 .iflow/memory 目录下创建 report_framework.md：

# 报告框架描述

## 报告标题
[您的报告标题]

## 分析目标
- 目标1
- 目标2

## 章节结构
### 第一章：概述
- 背景介绍
- 研究范围

### 第二章：数据分析
- 数据来源
- 分析方法
- 可视化图表：
  - 图表1：趋势图
  - 图表2：对比图

### 第三章：结论与建议
- 主要发现
- 行动建议

并行数据收集

# 在IFLOW.md中配置并行任务
parallel_tasks = [
    "搜索市场规模数据",
    "搜索竞争对手信息",
    "搜索政策法规"
]
# 系统会自动分配给多个data_collection_agent并行执行

五、Agent详细说明

5.1 perception_agent（感知代理）

功能：扫描和分析项目中已有的文件和数据结构

使用场景：

• 项目初始化时了解现有资源
• 增量研究时识别已有成果
• 数据结构分析和整理

5.2 data_collection_agent（数据收集代理）

功能：全网信息搜集、去重和整合

特性：

• 支持多源并行搜索（最多3个并行任务）
• 自动去重和来源标注
• 结果保存到工作目录

使用示例：

任务：搜集"人工智能在医疗领域的应用案例"
输出：.iflow/memory/collected_data/ai_medical_cases.json

5.3 data_analysis_agent（数据分析代理）

功能：数据处理和可视化

支持的图表类型：

• 折线图：趋势分析
• 柱状图：对比分析
• 饼图：占比分析
• 散点图：相关性分析
• 热力图：多维度分析

技术栈：基于PyEcharts生成交互式图表

5.4 format_md_agent（Markdown格式化代理）

功能：生成和维护Markdown格式报告

特点：

• 支持增量更新
• 保持格式一致性
• 自动生成目录

5.5 format_html_agent（HTML格式化代理）

功能：生成交互式HTML报告

特点：

• 响应式设计
• 支持图表嵌入
• 可发布到OSS

六、MCP工具详细说明

6.1 Sequential Thinking（顺序思考）

功能：复杂问题的分解和推理引擎

应用场景：

• 自动将复杂研究问题分解为子任务
• 维护任务依赖关系和执行顺序
• 确保研究逻辑的连贯性和完整性
• 生成结构化的思维链路

配置方式：

{
  "command": "npx",
  "args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]
}

6.2 Memory System（记忆系统）

功能：为研究过程提供持久化存储和上下文管理

存储结构：

.iflow/memory/
├── research_context/    # 研究上下文和历史记录
├── collected_data/      # 收集的原始数据
├── analysis_results/    # 数据分析结果
├── report_drafts/       # 报告草稿和版本管理
└── frameworks/          # 报告框架模板

特性：

• 跨会话记忆保持
• 增量更新支持
• 版本控制和回滚
• 智能检索和关联

6.3 Python Execute Server（Python执行服务）

功能：执行Python代码进行数据处理和分析

核心能力：

• 数据清洗和转换（pandas、numpy）
• 统计分析和建模（scipy、sklearn）
• 自定义算法实现
• 与data_analysis_agent协同工作

安全特性：

• 沙箱环境执行
• 资源使用限制
• 代码审计日志

6.4 Docx Edit Server（Word文档编辑服务）

功能：处理和编辑Word文档格式的报告

应用场景：

• 将研究报告导出为Word格式
• 编辑和更新现有Word文档
• 格式转换和样式处理
• 支持企业标准文档模板

特色功能：

• 保持原有格式和样式
• 支持表格、图片插入
• 批注和修订功能
• 与企业OA系统集成

6.5 Excel Edit Server（Excel表格编辑服务）

功能：处理和分析Excel格式的数据

核心能力：

• 读取和解析Excel数据源
• 数据透视表生成
• 公式计算和数据验证
• 图表生成和导出

与其他组件协同：

• 为data_analysis_agent提供数据源
• 导出分析结果到Excel
• 生成可交互的数据报表

6.6 MCP Show2User（用户展示服务）

功能：优化报告的展示和交付

展示方式：

• Markdown报告的格式化展示
• HTML报告的交互式预览
• 图表的动态渲染
• 多媒体内容嵌入

特色功能：

• 响应式设计适配
• 打印友好格式
• 导出PDF功能
• 分享链接生成

6.7 Image Search（图片搜索服务）

功能：搜索和收集相关图片资源

应用场景：

• 产品图片收集（竞品分析）
• 信息图表搜索
• 品牌Logo收集
• 技术架构图获取

特性：

• 多搜索引擎支持
• 图片去重和质量筛选
• 版权信息标注
• 自动分类存储到.iflow/memory/

七、实战展示

提问：帮我生成针对阿里巴巴公司2025年第一季度财报的md报告

由于代码较长，这里省略演示，最终生成的内容：

八、总结

iFlow DeepResearch 提供了一个完整的智能化研究解决方案，通过Agent协作和MCP工具集成，实现了从数据收集到报告生成的全流程自动化。系统设计充分考虑了扩展性和易用性，既适合快速生成标准化报告，也支持深度定制化研究需求。

核心优势

✅ 全流程自动化，大幅提升研究效率

✅ 多Agent协作，确保专业性和准确性

✅ 灵活可扩展，支持自定义Agent和工作流

✅ 记忆系统支持，避免重复工作

✅ 多格式输出，满足不同场景需求

适用场景

• 市场调研与分析
• 技术评估与选型
• 竞品分析与对标
• 行业研究报告
• 学术文献综述

作者：少倾

更多精彩内容和技术探讨可访问：心流AI交流社区