状态管理

状态结构

Local Deep Researcher 使用一个专门的状态类，其中包含跟踪研究会话所需的所有信息。该状态既是数据存储，也是迭代研究过程的控制机制。

来源：src/ollama_deep_researcher/state.py6-20

状态组件

SummaryState 类包含以下组件：

字段	类型	目的	累积方法
`research_topic`	str	用户提供的研究主题	在初始化时设置一次
`search_query`	str	当前搜索查询	每次研究迭代都会更新
`web_research_results`	list	每次迭代的搜索结果	通过 `operator.add` 累积
`sources_gathered`	list	用于引用的格式化来源	通过 `operator.add` 累积
`research_loop_count`	int	已完成的研究迭代次数	每次搜索后递增
`running_summary`	str	当前研究摘要	每次迭代都会用新的发现进行更新

operator.add 注解在列表字段上，可以在状态更新时自动合并列表，从而允许搜索结果和来源在多次研究迭代中累积。

来源：src/ollama_deep_researcher/state.py6-12

研究图中的状态流

该状态通过使用 LangGraph 的 StateGraph 实现的有向图进行流转。图中的每个节点接收当前状态，执行特定操作，并返回与主状态合并的状态更新。

来源：src/ollama_deep_researcher/graph.py282-297

按节点划分的状态更新

图中的每个节点都修改状态的特定部分：

1. 生成查询节点

generate_query 节点根据研究主题更新 search_query 字段

来源：src/ollama_deep_researcher/graph.py17-74

2. 网络研究节点

web_research 节点执行搜索查询并更新三个状态字段：

来源：src/ollama_deep_researcher/graph.py76-112

3. 汇总来源节点

summarize_sources 节点用新的发现更新当前摘要

来源：src/ollama_deep_researcher/graph.py114-175

4. 反思摘要节点

reflect_on_summary 节点根据已识别的知识空白生成新的搜索查询

来源：src/ollama_deep_researcher/graph.py177-229

5. 研究决策路由

route_research 函数使用状态来决定是继续研究还是完成

来源：src/ollama_deep_researcher/graph.py262-280

6. 最终摘要节点

finalize_summary 节点通过使用引文格式化当前摘要来准备最终输出

来源：src/ollama_deep_researcher/graph.py231-260

状态与 LangGraph 的集成

Local Deep Researcher 使用 LangGraph 的 StateGraph 来管理节点之间的状态转换。状态类在初始化期间与图一起注册，同时还有输入和输出模式。

来源：src/ollama_deep_researcher/graph.py283-297

状态重置与初始化

对于每个新的研究会话，都会创建一个新的 SummaryState 实例，其中只有 SummaryStateInput 中的 research_topic 字段被填充。所有其他字段都初始化为其默认值：

search_query: 无
web_research_results: 空列表
sources_gathered: 空列表
research_loop_count: 0
running_summary: 无

这确保了每个研究会话都从一个干净的状态开始。