输入一个主题，自动深度研究并生成一期双人对谈播客。
现代人面临一个矛盾：想获取深度知识，但只有碎片化时间。
每天有海量行研报告、前沿论文、深度文章等待阅读，但通勤、健身、做家务的时间里，眼睛被占用，耳朵却是空闲的。
DeepCast 的核心洞察：用对话式播客替代文字阅读，让耳朵成为第二个认知通道。 用户只需输入一个主题（如"量子计算 2024 年有哪些突破"），系统自动完成全网深度调研、生成双人对谈脚本、合成语音，输出一期 5-10 分钟的播客，同时附带完整的研究报告。
| 画像 | 痛点 | 使用场景 |
|---|---|---|
| 金融投资人 / 行业分析师 | 每天面对海量行研报告，无法全部阅读 | 开车通勤时听"固态电池产业链现状"深度对谈 |
| 科研工作者 | 需要跨界了解其他学科进展，但看论文门槛高且枯燥 | 做家务时听 AI 拆解"AlphaFold 3 的核心算法" |
| 城市白领 / 终身学习者 | 知识焦虑强，买了专栏和电子书大多"吃灰"，缺乏整块阅读时间 | 地铁 30 分钟听一期"量子计算商业化"播客 |
当前定位： DeepCast 目前是面向作品集展示的单用户本地 Demo，重点验证“主题输入 → 深度研究 → 报告 → 播客脚本 → 语音合成”的端到端 Agent 工作流。多用户任务隔离、线上队列、完整埋点和留存分析暂未作为当前版本实现目标，已放入后续产品化路线。
用户旅程：
输入主题 "AI Agent 的发展趋势"
→ [15s] 规划 3 个研究子任务
→ [45s] 并行搜索（LLM 过滤 + 权威性排序）+ 摘要，实时展示 Agent 动作
→ [60s] 迭代深度搜索：递归反思覆盖情况 → 识别信息缺口 → 补充任务 → 信息饱和终止
→ [90s] 生成报告大纲 → 撰写报告 + Self-Refine（Critic 评估 → 修改）
→ [105s] 生成节目蓝图（Hook/分段/转场/CTA）→ 双人对谈脚本（Host 苏打 + Guest 茉莉，含情感标注）
→ [150s] 导演模式 TTS 逐句语音合成 + 拼接
→ 完成：可播放的播客 MP3 + 可阅读的 Markdown 报告
| 维度 | DeepCast | Google NotebookLM | 喜马拉雅 / 得到 |
|---|---|---|---|
| 内容来源 | 用户输入任意主题，AI 自动全网深度检索 | 仅限用户手动上传的文档 | 平台 PGC/UGC，无法按需定制 |
| 交互形式 | 中文双人对谈，角色人格鲜明 | 英文对谈优秀，中文支持弱 | 人类录制，质量高但产量低 |
| 定制化 | 可控制话题、深度、音色风格 | 无法控制风格和时长 | 无，只能被动搜索已有内容 |
| 使用门槛 | 零干预：输入主题即出播客 | 需手动上传文档 | 需搜索和筛选内容 |
| 时效性 | 实时搜索，信息时效性强 | 仅基于上传文档 | 依赖人工更新频率 |
问题： AI 生成播客需要 2-3 分钟，用户不知道系统在做什么，容易流失。
决策： 用 macOS 风格的 Terminal 实时展示 Agent 内部动作——"正在搜索 Tavily..."、"正在总结任务 2/3..."、"正在生成对话脚本..."。将"黑盒等待"变为"半透明过程"。
迭代细节： 初版进度条从 0% 起步，用户反馈"以为卡住了"。改为从 2% 起步，消除静止错觉。这 2% 不是技术细节，是产品决策。
问题： 同一内容在不同场景下有不同的最佳消费方式。
决策： 每次生成同时提供两种输出——播客音频（通勤/运动时听）和 Markdown 研究报告（桌面端深读）。播放器旁并排展示报告，支持"图文对照阅读"。
问题： "播放一个 AI 生成的音频文件"这个动作缺乏仪式感。
决策： 设计旋转黑胶唱片 UI，配合"DeepCast Original"标识。播放时唱片旋转，暂停时停止。成本为零，但将"播放文件"变为"收听播客"的体验跃迁。
问题： 单人 TTS 朗读研究报告枯燥且信息密度低。
决策： 设计 Host（苏打，好奇幽默的主持人）+ Guest（茉莉，专业严谨的嘉宾）双角色，并在生成台词前先生成节目蓝图，约束 Hook、主体分段、自然转场和收尾 CTA。双人对话不只是把报告改写成问答，而是按"听众问题 → 嘉宾解释 → 主持追问 → 关键 takeaway"组织内容。
问题： 复杂主题无法一步到位生成高质量内容。
决策： 将任务拆解为专业 Agent 协同：PlannerAgent（拆解子任务 + 信息增益分析）→ ResearcherAgent（混合搜索 + LLM 过滤 + 域名权威性排序 + 摘要）→ WriterAgent（报告撰写 / 修改 / 脚本生成）→ CriticAgent（报告质量评估）→ AudioGenerationService（TTS 合成）。主链路通过 DirectorAgent 注册和分派各 Agent，DeepResearchAgent 负责阶段编排、并发执行和 SSE 输出。
问题： 单轮搜索无法覆盖复杂主题的所有维度，信息深度不足。
决策： 初始任务完成后，LLM 自动进行递归反思：总结已有覆盖、列出知识缺口、制定下一轮搜索策略和优先来源类型，再生成补充搜索任务，迭代至信息饱和。同时引入定量信息增益指标——基于关键词重叠度计算信息重复度，超过阈值自动终止，避免无效搜索浪费成本。搜索模式仍保持 Tavily + SerpApi 混合搜索。
问题： 单次 LLM 生成的报告质量不稳定，缺乏自我纠错能力。
决策： 正式写作前先生成结构化报告大纲，明确读者问题、核心主线、章节论点、证据需求和来源风险；报告初稿生成后，Critic Agent 再从逻辑严谨性、数据支撑度、专业性、引用可信度等维度评估质量并给出结构化反馈，Writer Agent 据此修改。形成"大纲 → 初稿 → 批判 → 修改"的质量闭环。
问题： 对单次主题生成 Demo 来说，历史记忆不是主链路刚需；但如果做同一领域的系列节目，复用历史研究发现可以减少重复搜索。
决策： 保留 MemoryManager 作为可选扩展，但默认关闭（ENABLE_MEMORY=False）。开启后，系统会在研究完成后提取关键发现（实体、关键词、结论）持久化为结构化记忆，并在后续同主题研究前检索相关记忆注入规划 prompt。
问题： AI 播客的语音像机器人朗读——每句台词用同样的语调、同样的节奏，缺乏情感变化和对话感，听众很快流失。
决策： 采用 MiMo-V2.5-TTS 的三项进阶能力：
- 导演模式：为每句台词构建「角色/场景/指导」三维度风格指令，而非简单的一句话描述。指导部分根据台词的情绪标注动态变化。
- 文本音色设计（VoiceDesign）：通过自然语言描述自定义音色（"一位好奇心旺盛的年轻男性，语速偏快，偶尔因兴奋而提高音量"），而非依赖预置音色。
- 音频标签：在文本中嵌入
(轻笑)、(叹气)、(语速加快)等标签，实现词级语音控制。
效果： 语音不再是"读稿"，而是"表演"——同一角色在不同语境下有不同的情绪表达，对话中能听到自然的停顿、语气转折和情感流动。
当前 Demo 暂不内置完整用户行为埋点；以下指标用于后续产品化版本验证体验质量。
北极星指标： WAST（Weekly Average Session Time）—— 活跃用户周均收听时长，衡量"是否真正填补了碎片化时间"。
转化漏斗：
输入主题 (100%) → 等待超 30s (90%) → 点击播放 (80%) → 完播率 >80% (35%)
关键体验指标：
- TTFA（Time to First Audio）：提交主题到首段音频可播放，目标 < 30s
- 生成失败率：大模型超时 / TTS 失败 / 脚本解析错误的比例
| 层级 | 价格 | 权益 |
|---|---|---|
| Free | 免费 | 3 期/月，5 分钟短播客，浅层搜索，默认音色 |
| Pro | $9.9/月 | 30 期/月，15-20 分钟，深度混合搜索，多种音色风格 |
| Max | $39/月 | 文档上传（PDF/Word/URL），API 接口，企业级集成 |
| 版本 | 重点 | 状态 |
|---|---|---|
| v1.0 | 主题 → 播客 MVP，跑通搜索到合成全流程 | ✅ 已完成 |
| v1.5 | 迭代深度搜索、报告 Self-Refine、搜索过滤、多智能体架构 | ✅ 已完成 |
| v2.0 | 支持 URL / PDF / 公众号文章作为输入源 | 规划中 |
| v2.3 | 专题系列历史记忆复用 | 规划中 |
| v2.5 | 音色克隆 + 个性化主持人，打造专属"AI 知识伴游" | 规划中 |
| v3.0 | 多用户任务隔离、任务队列、失败归因和核心指标埋点 | 规划中 |
用户输入主题
→ DirectorAgent.dispatch("planner") → TodoItem[] 任务列表
→ [并行] DirectorAgent.dispatch("researcher") → 混合搜索 + 过滤 + 权威性排序 + 摘要
→ DirectorAgent.dispatch("planner", analyze/gain) → 递归反思覆盖/缺口/来源策略 → 补充搜索（迭代至饱和 + 智能终止）
→ DirectorAgent.dispatch("writer") → 报告大纲 + 初稿
→ DirectorAgent.dispatch("critic") → 报告质量评估
→ DirectorAgent.dispatch("writer", revise) → 结构化 Markdown 报告
→ DirectorAgent.dispatch("writer", blueprint/script) → 节目蓝图 JSON → 双人对话 JSON 脚本（含 emotion + audio_tag）
→ AudioGenerationService（MiMo TTS 导演模式 + VoiceDesign）→ PodcastSynthesisService（FFmpeg）→ podcast.mp3
可选扩展：当 ENABLE_MEMORY=True 时，MemoryManager 会在规划前检索历史研究记忆，并在报告完成后保存关键发现，适合专题系列内容复用。
技术栈：
- 智能体编排： 自研多智能体工作流（DirectorAgent + PlannerAgent/ResearcherAgent/CriticAgent/WriterAgent），基于 OpenAI SDK + DeepSeek JSON Output
- 大语言模型： 默认
deepseek-v4-flash，前端可切换deepseek-v4-pro；深度搜索反思与报告质量链路支持high/max推理强度 - 语音合成： MiMo-V2.5-TTS（导演模式 + VoiceDesign 文本音色设计 + 音频标签）
- 后端： Python 3.10+, FastAPI, Pydantic
- 前端： Vue 3, Vite, TypeScript, Tailwind CSS 4 + DaisyUI 5
- 搜索增强： Tavily API + SerpApi 混合搜索 + LLM 结果过滤 + 域名权威性排序
- 音频处理： FFmpeg
- Python 3.10+
- Node.js 18+
- FFmpeg（必须安装，Windows 需在
.env中配置FFMPEG_PATH）
# 后端
cd backend
uv sync # 或 pip install -r requirements.txt
cp env.example .env # 填入 API Keys
uv run src/main.py # 启动服务 http://localhost:8000
# 前端
cd frontend
npm install
npm run dev # 访问 http://localhost:5174关键环境变量：
LLM_API_KEY/LLM_BASE_URL：大语言模型 APITTS_API_KEY/TTS_BASE_URL：语音合成 APITAVILY_API_KEY/SERPAPI_API_KEY：搜索 API（至少配一项）FFMPEG_PATH：FFmpeg 可执行文件路径
cd backend
python scripts/verify_llm.py # 验证 LLM 连通性
python scripts/verify_mimo_tts.py # 验证 TTS 服务
python scripts/verify_ffmpeg.py # 检查 FFmpeg
python scripts/verify_search.py # 测试搜索 APIbackend/
src/
agent.py # DeepResearchAgent 核心编排器（集成 Director）
config.py # 配置中心（环境变量加载）
models.py # 数据模型（TodoItem, SummaryState）
prompts.py # Agent 系统提示词模板
utils.py # 工具函数（格式化、去重）
agents/ # 多智能体抽象层
base.py # BaseAgent 抽象基类 + AgentResult
planner.py # PlannerAgent（任务分解、信息增益分析）
researcher.py # ResearcherAgent（搜索、过滤、权威性排序、摘要）
critic.py # CriticAgent（报告质量评估）
writer.py # WriterAgent（报告撰写、脚本生成）
director.py # DirectorAgent（协调器、Agent 注册表）
services/ # 服务层（Agent 的底层实现）
planner.py # 任务拆解 + 迭代精炼分析
search.py # 混合搜索 + LLM 结果过滤 + 域名权威性排序
summarizer.py # 逐任务摘要
reporter.py # 报告生成 + Self-Refine 精炼
script_generator.py # 节目蓝图 + 对话脚本生成
audio_generator.py # TTS 语音合成（导演模式 + VoiceDesign）
audio_synthesizer.py # 音频拼接
memory_manager.py # 可选历史研究记忆（默认关闭，用于专题系列复用）
llm.py # LLM 调用封装（JSON 结构化输出）
scripts/ # 验证 & 测试脚本
frontend/
src/
components/
SetupView.vue # 主题输入
ProductionView.vue # 制作流程（进度 + Terminal 日志）
PlayerView.vue # 黑胶播放器 + 报告阅读器
services/
api.ts # SSE 流式通信
MIT License
感谢 Datawhale 社区和 Hello-Agents 项目。