MiroFlow：面向深度研究任务的高性能开源智能体框架

论文信息

• 标题: MiroFlow: Towards High-Performance and Robust Open-Source Agent Framework for General Deep Research Tasks
• 作者: Shiqian Su, Sen Xing, Xuan Dong, Muyan Zhong, Bin Wang, Xizhou Zhu, Yuntao Chen, Wenhai Wang, Yue Deng, Pengxiang Zhu, Ziyuan Liu, Tiantong Li, Jiaheng Yu, Zhe Chen, Lidong Bing, Jifeng Dai
• 提交日期: 2026年2月26日
• 论文链接: https://arxiv.org/abs/2602.22808

核心发现

尽管大型语言模型（LLMs）这几年风头正劲，但独立的 LLM 在处理需要与外部工具和动态环境交互的真实复杂任务时，已经开始碰到天花板了。虽然最近涌现了不少智能体框架，试图通过工具集成和外部交互来增强模型的自主性，但它们或多或少都有些问题：工作流太简单、性能不稳定、对多样化基准和任务的支持有限，还有一个很现实的问题——严重依赖昂贵的商业 API。

就在这时，MiroFlow 横空出世了！这是一个高性能且健壮的开源智能体框架，专门为解决这些痛点而生。

MiroFlow 的三大黑科技

1. 智能体图（Agent Graph）：灵活组合的魔法

MiroFlow 引入了一个由”智能体图”驱动的分层智能体框架。这个设计就像搭积木一样，用户可以以自上而下的方式灵活组合和配置智能体及其组件，让工作流完美适配特定的任务需求。想要什么样的智能体团队，你说了算！

2. 深度推理模式：关键时刻的”深思熟虑”

MiroFlow 还提供了一个可选的”深度推理模式”。在高风险或复杂场景中，这个模式会让智能体进行更深入的推理和自我验证，就像人类在做重要决策时会反复思考一样，从而大幅提高整体推理深度和性能。

3. 健壮工作流：拒绝随机性，稳定才是王道

MiroFlow 实现了一个超级健壮的工作流机制。它系统地减轻了随机错误，通过强制执行结构化生成和一致地遵守任务规范，让整个推理过程更加准确可靠。再也不用担心智能体”抽风”了！

实验结果：王炸级别的表现

大量实验表明，MiroFlow 在多个智能体基准测试中都实现了最先进的性能，包括：

• GAIA
• BrowseComp-EN/ZH
• HLE
• xBench-DeepSearch
• 特别是 FutureX

可以说，MiroFlow 在这些测试中都展现出了碾压级别的实力！

深度研究的示例流程：智能体团队如何协作

以深度研究为例，MiroFlow 的协作结构是这样工作的：

1. 查询增强：主智能体先分析用户的查询，识别意图并丰富请求，确保准确理解需求
2. 任务分解：主智能体节点把复杂任务拆解成一个个子任务
3. 子任务委派：把这些子任务分配给拥有不同技能的智能体——有的擅长搜索，有的擅长网页阅读，有的擅长编码
4. 结果综合：最后由主智能体把各个子任务的结果整合起来，给出最终答案

整个过程就像一支专业的研究团队在协同工作！

意义：开源社区的福音

研究人员希望 MiroFlow 能够成为深度研究社区的一个易于访问、可复现和可比较的基线框架。它解决了现有智能体系统在复杂深度研究场景中的局限性，为 AI 智能体的发展提供了一个强大的开源平台。

总结

MiroFlow 绝对是 AI 智能体框架领域的一个重磅进展！通过结合分层智能体架构、智能体图、健壮的工作流和可选的深度推理模式，MiroFlow 在各种深度研究任务中都实现了可复现的最先进性能。而且最重要的是，它是开源的！这意味着更多的研究人员和开发者都能够用它来构建和部署高性能的 AI 智能体系统。

---

这篇文章是基于 arXiv 论文 “MiroFlow: Towards High-Performance and Robust Open-Source Agent Framework for General Deep Research Tasks” 的解读。