前言
今天老顾给大家介绍另一个关键角色执行者Tools，此角色主要的作用是对规划者Planner出来的内容进行执行，执行的方式包含搜索、代码执行，如果配置了MCP Server也会包含里面包含的工具。
执行者的触发
触发执行者有2个场景，第一个场景是规划者经过人工中断，前端选择Start Research按钮，或者配置了【自动接收规划者内容的配置】开关开启
代码都在人工中断节点中，如下
Agent流程图
我们再来看看整体的LangGraph的流程图
这个源码就是我们前一篇文章中介绍的交互流程。我们看一下执行者research_team在哪个位置
builder.add_node("research_team", research_team_node)这个节点的原作者取的名字research，可以优化为executor，哈哈；但不重要
那么我们看看执行者具体的逻辑代码
执行者Agent
来看看源码
def research_team_node(state: State): """Research team node that collaborates on tasks.""" logger.info("Research team is collaborating on tasks is running........") pass这个函数啥事都没有做，执行完了后，后续怎么处理呢？
builder.add_conditional_edges( "research_team", continue_to_running_research_team, ["planner", "researcher", "coder"], )上面是条件边的定义，指明了后续会走到哪个节点，我们再来聚焦一下，看看continue_to_running_research_team这个方法。
我们来分析一下代码
if not current_plan or not current_plan.steps: return "planner"这段代码表示 还没有规划内容，应该交给规划者Planner。
if all(step.execution_res for step in current_plan.steps): return "planner"step.execution_res这个属性有值，代表已经执行处理过了。
那上面的代码for循环表示是不是所有的步骤都执行过了，如果执行过了就直接返回到planner规划者Agent。
for step in current_plan.steps: if not step.execution_res: break遍历当前的规则的步骤，哪些步骤是没有执行的，就返回那个没有执行的步骤。
if step.step_type and step.step_type == StepType.RESEARCH: return "researcher"if step.step_type and step.step_type == StepType.PROCESSING: return "coder"return "planner"上面的代码是根据步骤类型的step_type的值，执行不同的工具节点。我们具体看看步骤的结构体
上图的step_type类型的值，就是规划者Planner与大模型进行交互时，大模型给出的执行类型。具体可以看前面介绍规划者Agent的文章。
执行Research
我们看看research节点代码
上面的代码的核心逻辑是增加搜索tools工具
retriever_tool这个变量大家可以忽略，这个是为了检索本地知识库的，不妨碍我们分析源码
_setup_and_execute_agent_step方法就是创建agent，此agent包含了工具tools，以及researcher这个参数值。
执行Coder
执行Coder比Research更简单，也是调用了 _setup_and_execute_agent_step方法就是创建agent，此agent包含了python_repl_tool这个工具，以及coder这个参数值。
下面我们来具体看看创建Agent的方法_setup_and_execute_agent_step
创建Agent
我们先看看 _setup_and_execute_agent_step源码
里面有个核心的支持MCP的代码逻辑
if configurable.mcp_settings:如果配置了mcp，就需要读取mcp server的配置信息，设置mcp_servers和enabled_tools这2个变量。
if mcp_servers: async with MultiServerMCPClient(mcp_servers) as client:如果有mcp servers，就通过client.get_tools()获得mcp的tools，加入到我们定义的工具，再加入到create_agent函数中。
create_agent方法里面定义了 大模型的，以及提示词的获取。大模型和提示词的获取 之前文章已经介绍过了。
我们下面来介绍Research提示词和Coder提示词
Research提示词
提示词是存放再researcher.md，里面内容还挺多，老顾这边只介绍比较核心的内容
1、身份定位
2、工具说明
3、执行步骤
里面有个if resources动态判断，就是要不要增加本地检索知识库的tool工具。
4、输出格式
里面有个locale变量，指明需要什么语言输出。
5、注意事项
Coder提示词
1、身份定位
2、执行步骤
3、注意事项
总结
至此就介绍了执行者这个角色的核心逻辑，到此5大角色就全部介绍完了。结合之前的介绍DeerFlow的核心流程就全部介绍完了。此外项目还有生成播客的功能，代码比较简单，老顾就不介绍了。
研究了DeerFlow这个开源项目后，对老顾的关于AI Agent的相关技术的使用，有很大的帮助和启发。
DeerFlow再Python的工程结构上面也有很多学习的地方，下一篇我们来介绍一下DeerFlow工程方式的知识。
