开放深度研究 - 基于AI的自主研究工作流程

此工作流适合以下人群：
- 研究人员：需要快速获取和整理信息以支持其研究的学者和学生。
- 数据分析师：希望通过自动化流程提升数据收集和分析效率的专业人士。
- 开发者：想要集成 AI 驱动的研究助手以优化其应用程序或服务的开发者。
- 企业决策者：需要基于全面数据做出明智决策的管理层人员。

此工作流解决了以下问题：
- 信息获取效率低：通过自动化生成搜索查询和执行多种 API 请求，显著提高了信息收集的速度和准确性。
- 数据处理复杂：将获取的数据分块处理，简化了数据管理和分析的流程。
- 报告生成繁琐：自动生成结构化的研究报告，节省了手动整理和编辑的时间。

工作流过程详细说明：
1. 触发器：用户通过手动触发发送查询信息。
2. 生成搜索查询：使用 LLM（语言模型）根据用户输入生成多个搜索查询。
3. JSON 数据解析与分块：将 LLM 返回的 JSON 数据解析并分成四个块，以便后续处理。
4. 执行搜索请求：对每个块执行 SerpAPI 搜索请求，获取相关的搜索结果。
5. 格式化搜索结果：将从 SerpAPI 返回的有机搜索结果格式化为易于理解的结构。
6. 数据分块处理：将数据分块以便进行 Jina AI 的分析请求。
7. 提取相关信息：利用 LLM 从网页内容中提取与用户查询相关的信息。
8. 生成综合研究报告：基于提取的信息生成结构化的研究报告，包含关键发现和详细分析。
9. 内存缓冲区：使用 LLM 的内存缓冲区功能，保留上下文以便于后续的查询和报告生成。

用户可以通过以下方式自定义和调整此工作流：
- 修改触发器：可以更改触发器设置，以适应不同的输入方式或条件。
- 自定义搜索查询生成：根据特定需求调整 LLM 的提示信息，以生成更符合需求的搜索查询。
- 更改 API 请求：可以替换或添加不同的 API 请求，以获取特定的数据源或服务。
- 调整报告格式：根据目标受众或需求调整生成报告的格式和内容结构。
- 设置不同的内存缓冲区：根据需要调整 LLM 内存缓冲区的参数，以优化上下文处理。