精装房控制论画像
精装房：GPT Researcher
Product Portrait · 控制论画像gptresearcher
CASE
GPT Researcher (assafelovic) — 精装房控制论画像
以「task.json 研究任务配置 + 主 Agent planner 分解」把用户意图固化为一份可执行、可约束的研究任务，作为设定值 r。
SP
设定值（Setpoint）——研究任务配置把意图固化为可执行研究计划
用户意图 → 可验证子目标承担角色：以「
task.json 研究任务配置 + 主 Agent planner 分解」把用户意图固化为一份可执行、可约束的研究任务，作为设定值 r。关键机制
task.json任务配置：query/model/max_sections/publish_formats/guidelines/follow_guidelines等字段定义研究目标与约束（multi_agents/README.md，源码级）。- guidelines 硬约束：用户可指定报告必须遵守的准则（如 APA 格式、语言），构成设定值的显式规格（源码级）。
- 主 Agent planner-executor 架构：README 明示「utilize 'planner' and 'execution' agents」，planner 生成研究问题、executor 收集信息（源码级）。
- Editor 规划大纲：
multi_agents/agents/editor.py的EditorAgent规划报告大纲与结构（源码级）。 - max_plan_revisions 上限：
max_plan_revisions限定人工计划修订次数，防无限循环（源码级）。
控制论映射：KT-ctrl-045（规划-执行解耦，task.json+大纲=可评审契约）+ KT-ctrl-041（分层控制结构，Chief Editor 顶层/子 Agent 下层）+ KT-ctrl-002（负反馈闭环结构，目标=设定值 r）。
⭐强——设定值有结构化配置（query/guidelines/格式）、规划阶段明确、修订次数有上限。⚠️弱——设定值成功判据仍以报告文本承载，缺机器可验证的量化目标函数。
E
E 环 — 评估/传感器（(E 环) Reviewer Agent + 检索命中 + 引用校验）
评估/传感器承担角色：为闭环生产「研究是否达标」的反馈信号，核心是 Reviewer Agent（独立评审器）+ 检索相关性 + 引用溯源，是本产品相对突出的评估环。
关键机制
- Reviewer Agent 独立评审器：
multi_agents/8-agent 团队中的 Reviewer「Validates the correctness of the research results given a set of criteria and provides feedback」（multi_agents/README.md，源码级）——这是独立于执行者的 Critic 传感器。 - Revisor Agent 修订：Reviewer 反馈后由 Revisor 修订直至满意，形成「评审→修订」闭环（源码级）。
- DraftState 评审状态：
multi_agents/memory/draft.py的DraftState+draft_review.py的DEFAULT_MAX_DRAFT_REVISIONS/MaxDraftRevisionsExceededError——评审有状态、有次数上限（源码级）。 - 检索相关性：
gpt_researcher/retrievers/多检索器（默认tavily，config/variables/default.py）按相关性召回，构成信息质量信号（源码级）。 - 引用溯源：报告带 citations，README 明示「produces detailed, factual, and unbiased research reports with citations」——可验证性作为质量信号（源码级）。
控制论映射：KT-ctrl-006（反馈灵敏度/鲁棒性基础，Reviewer 独立校验降低对单模型的敏感）+ KT-ctrl-035（扰动观测器 DOB，Reviewer 在线研判草稿质量）+ KT-ctrl-012（观测噪声 R，检索/评审信号可信度）+ KT-ctrl-001（开环 vs 闭环）。
🟢 强（相对同类）——有独立 Reviewer Agent + Revisor 修订闭环 + 评审次数上限，是本产品 E 环的亮点，也是精装度 3.7 中「评估」维度少见的独立性。⚠️弱——Reviewer 与执行者用同一 SMART_LLM（README「only the SMART_LLM is used」），存在共模偏置；评审标准靠提示词承载，非结构化硬校验。
T
T 环 — 执行器/工具（(T 环) 检索器 + 爬取器 + 报告生成器）
工具调用/执行器承担角色：把研究动作以「多检索器 + 网页爬取 + 报告生成/发布」落地，是直接接触外部信息源与产出格式的执行器。
关键机制
- 多检索器：
gpt_researcher/retrievers/支持 Tavily/Google/DuckDuckGo 等多种检索器（RETRIEVER可配），执行动作可换道（源码级）。 - 网页爬取：
gpt_researcher/scraper/+config/variables/default.py的SCRAPER/MAX_SCRAPER_WORKERS=15/SCRAPER_RATE_LIMIT_DELAY——并发与限速限幅（源码级）。 - 报告生成器：
gpt_researcher/actions/report_generation.py+markdown_processing.py生成 MD/PDF/docx 多格式（源码级）。 - Publisher Agent：
multi_agents/的 Publisher「publishes the final report in various formats such as PDF, Docx, Markdown」（源码级）。 - MCP 工具接入：
mcp-server/+langchain-mcp-adapters把外部 MCP 工具纳入执行器（源码级）。 - FastAPI 后端：
backend/server/app.py（16KB）提供执行 API 出口（源码级）。
控制论映射：KT-ctrl-034（安全边际/硬约束限幅，爬取并发/限速/令牌上限）+ KT-ctrl-033（冗余与仲裁，多检索器可切换）+ KT-ctrl-030（模型不确定性，检索失败需降级）。
🟢 强——多检索器 + 爬取限幅 + 多格式报告 + MCP 工具，执行器聚焦研究场景且开箱可用。⚠️弱——无沙箱/隔离（爬取在宿主环境），执行器安全性弱于 OpenHands；工具集为研究专用，通用性受限。
M
M 环 — 记忆/状态估计（(M 环) DraftState + 上下文压缩 + 向量检索）
记忆/状态估计承担角色：以「DraftState 草稿状态 + 上下文管理 + 向量检索」维护「研究进行到哪、已收集哪些证据」，未显式建模置信度。
关键机制
- DraftState 草稿状态：
multi_agents/memory/draft.py维护草稿与研究进度，是结构化的中间状态（源码级）。 - 记忆后端：
gpt_researcher/memory/+config/variables/default.py的MEMORY_BACKEND="local"（源码级）。 - 上下文压缩：
SUMMARY_TOKEN_LIMIT=700等 token 上限 + 上下文管理，按预算压缩信息（源码级）。 - 向量检索记忆：
gpt_researcher/vector_store/存检索嵌入，构成外部可检索记忆（源码级）。 - 多 Agent 隔离上下文：
deep_agents/示例「delegates sections to researcher subagents with isolated context, offloads drafts to a filesystem」——子 Agent 上下文隔离（源码级）。
控制论映射：KT-ctrl-010（状态估计，DraftState+向量库折叠出研究状态）+ KT-ctrl-011（Kalman 预测-更新，研究推进=预测、检索结果=更新）+ KT-ctrl-014（信息滤波/降维，token 上限 + 子 Agent 隔离）。缺失：KT-ctrl-012（观测噪声 R vs 过程噪声 Q，无置信度/协方差）。
🟢 中强——DraftState + 向量检索 + 子 Agent 上下文隔离提供状态保真。⚠️弱——记忆无置信度（P 协方差）；DraftState 侧重草稿文本，非概率信念状态。
P
P 环 — 规划/分层控制（(P 环) planner-executor + Editor 大纲 + LangGraph 编排）
规划/分层控制承担角色：以「planner-executor 架构 + Editor 大纲 + LangGraph StateGraph + 8-agent 团队」实现慢规划器与快执行器的分层控制，是本产品最突出的环之一。
关键机制
- planner-executor 双 Agent：README 明示「utilize 'planner' and 'execution' agents. The planner generates research questions, while the execution agents gather relevant information」（源码级）。
- Editor 大纲规划：
EditorAgent规划报告大纲与结构，每个大纲主题并行派发子研究（multi_agents/README.mdSteps，源码级）。 - LangGraph StateGraph 编排：
multi_agents/agents/editor.py用StateGraph/END定义有状态多 Agent 流程，含条件路由route_draft_review（源码级）。 - 8-agent 分工：Chief Editor 协调 + Researcher/Editor/Reviewer/Revisor/Writer/Publisher 分工，构成多层递阶控制（源码级）。
- 并行子研究：「For each outline topic (in parallel): Researcher → Reviewer → Revisor」——并行 + 迭代（源码级）。
- max_sections 时域限制：
max_sections限定章节数，等价于规划时域 N（源码级）。
控制论映射：KT-ctrl-041（分层控制结构）+ KT-ctrl-045（规划-执行解耦）+ KT-ctrl-044（MPC 滚动时域，Reviewer→Revisor 迭代）+ KT-ctrl-042（多层递阶控制，Chief Editor 协调）+ KT-ctrl-046（options/SMDP，子 Agent 角色=能力原语）。
⭐⭐最突出——planner-executor + Editor 大纲 + LangGraph 编排 + 8-agent 分工 + 并行子研究，分层规划与角色化编排是精装度 3.7 的核心支撑。⚠️弱——编排底座为 LangGraph（非完全自研引擎，依赖外部库）；规划时域 N 由
max_sections 固定，无图级滚动重规划。
R
R 环 — 反思/反馈闭环（(R 环) Reviewer-Revisor 迭代 + 人工反馈 + 错误重试）
反思/反馈闭环承担角色：由「Reviewer→Revisor 修订迭代 + 人工反馈 + 错误重试」承担，是本产品最成熟的环之一——有显式的评审-修订闭环。
关键机制
- Reviewer→Revisor 闭环：Reviewer 校验草稿给反馈，Revisor 据此修订直至满意（
multi_agents/README.md，源码级）——显式负反馈校正。 - 修订次数上限：
DEFAULT_MAX_DRAFT_REVISIONS/MaxDraftRevisionsExceededError——防反思无限循环（anti-windup）（源码级）。 - 人工反馈回路：
include_human_feedback开启后用户可给 Agent 反馈，max_plan_revisions限定修订次数（源码级）。 - 错误重试：
pyproject.toml依赖backoff（指数退避重试），检索/请求失败可重试（源码级）。 - guidelines 合规迭代：
follow_guidelines让报告按准则迭代直至合规（源码级）。 ## 精装房画像总结
控制论映射：KT-ctrl-002（负反馈闭环结构，Reviewer 反馈→Revisor 修订）+ KT-ctrl-004（误差收敛与反馈校正律，迭代修订使草稿收敛）+ KT-ctrl-021（P 即时纠偏）+ KT-ctrl-022（I 累积补偿，guidelines 持续合规）+ KT-ctrl-025（稳态误差/超调，修订次数上限防超调）。
⭐强——Reviewer→Revisor 显式评审-修订闭环 + 修订上限 + 人工反馈 + 重试，R 环在同类产品中较成熟（与 E 环呼应）。⚠️弱——反思标准靠提示词与准则文本，非结构化量化；Reviewer 与执行者同模型，共模偏置无法排除。
★
控制论画像总结
整体范式：整体范式：LangGraph 底座上的 8-agent 研究流水线——planner-executor 分层编排 + Reviewer-Revisor 评审闭环 + 多格式报告，开箱即用的深度研究工厂。