Deep Research：从搜索到自主研究的技术全景 #

本文是 《大模型 Agent 和应用》 书籍的一个章节草稿。

1. 引言：什么是 Deep Research？ #

2025 年初，OpenAI 推出 Deep Research 功能，一句话让大模型替你读完数百个网页、写出一份带引用的研究报告。这看似只是搜索的"升级版"，但实际上它代表了一条截然不同的技术路线。要理解这一点，我们需要回溯信息获取方式的演进脉络。

1.1 定义与演进 #

信息获取经历了三个阶段的范式跃迁：

关键区别在于 自主性（Autonomy） 和 迭代深度（Iterative Depth）。传统搜索中，人是大脑——模型只是加速了检索这一步；Deep Research 中，模型同时承担了大脑和执行者的角色：它自己决定"还要搜什么"，自己判断"信息够不够了"，自己把碎片拼成完整的知识图谱。

参考: From Web Search towards Agentic Deep Research 参考: Deep Research Agents: A Systematic Examination And Roadmap

1.2 与传统搜索/问答的本质区别 #

如果把传统搜索问答比作"问路"——你问一个方向，别人指一条路——那 Deep Research 就是"派一个研究员替你出差"。具体差异体现在三个维度：

检索策略：单次 vs 多轮

传统 RAG 或搜索问答通常遵循"一问一答"模式：用户提问 → 检索一次 → 生成回答。即使有 ReAct 循环，也往往在 2-3 轮内结束。Deep Research 的检索轮次通常在 10-50 轮之间，且每一轮搜索的查询词是由前一轮的发现动态生成的——前一步找到了某个关键概念，下一步就围绕这个概念深入。

信息整合：摘要 vs 知识建构

传统问答的"整合"大多是简单拼接：把检索到的几段文字压缩成一段摘要。Deep Research 需要的是知识建构——识别不同来源之间的矛盾，建立实体之间的关联，形成结构化的理解。这要求模型具备推理能力，而非仅仅是摘要能力。

输出形态：回答 vs 报告

传统问答的输出是"一段话"；Deep Research 的输出是一份"研究报告"，包含结构化章节、引用溯源、证据链，甚至可视化图表。这不是长度的差异，而是信息组织方式的根本不同。

1.3 为什么 Deep Research 是大模型应用的重要分水岭 #

Deep Research 的出现标志着一个转折点：大模型从"对话工具"进化为"自主工作单元"。

在此之前，LLM 应用的典型模式是"人在回路"（Human-in-the-loop）——用户发一条消息，模型回一条消息，节奏由人控制。Deep Research 打破了这个模式：用户启动任务后，模型在数十分钟内自主运行，期间可能发起上百次工具调用，最终交付一个完整的成果。

这意味着 LLM 应用的核心挑战从"如何让模型回答更好"转向了**“如何让模型自主工作得更可靠”**——包括任务规划、资源管理、事实核查、长程上下文管理等一系列全新问题。这些问题不是微调一下 prompt 就能解决的，它需要系统级的架构设计。

参考: A Comprehensive Survey of Deep Research: Systems, Methodologies, and Applications

2. 技术架构深度解析 #

要构建一个 Deep Research 系统，不能只靠一个 prompt 和 search API。它是一个复杂的多层系统，每一层都有明确的责任边界。

2.1 整体架构分层 #

我们可以将 Deep Research 系统拆解为四个层次：感知层、认知层、决策层和执行层。这种分层不是物理部署的划分，而是逻辑职责的抽象。

┌─────────────────────────────────────────────────┐
│                  用户 / 外部世界                   │
├─────────────────────────────────────────────────┤
│  感知层 (Perception)                              │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐         │
│  │ Web搜索  │ │ 页面爬取  │ │ API调用  │ ...     │
│  └──────────┘ └──────────┘ └──────────┘         │
├─────────────────────────────────────────────────┤
│  认知层 (Cognition)                               │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐         │
│  │ 信息理解  │ │ 推理引擎  │ │ 知识整合  │         │
│  └──────────┘ └──────────┘ └──────────┘         │
├─────────────────────────────────────────────────┤
│  决策层 (Decision)                                │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐         │
│  │ 任务分解  │ │ 路径规划  │ │ 预算分配  │         │
│  └──────────┘ └──────────┘ └──────────┘         │
├─────────────────────────────────────────────────┤
│  执行层 (Action)                                  │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐         │
│  │ 工具调用  │ │ 报告生成  │ │ 人机交互  │         │
│  └──────────┘ └──────────┘ └──────────┘         │
└─────────────────────────────────────────────────┘

[Mermaid 图]

说明：上图展示了 Deep Research 系统的四层逻辑架构，自下而上构成完整的感知→认知→决策→执行闭环。

感知层（Perception）：信息输入的管道 #

感知层负责从外部世界获取原始数据。它是系统与互联网的接口，决定了"能看到什么"。

搜索引擎接入是感知层最基础的能力。主流方案包括 Google Custom Search API、Bing Web Search API，以及开源替代方案 SearXNG。不同搜索引擎的覆盖范围和 API 特性差异显著：

参考: Tavily Search API 参考: SearXNG

网页内容提取是从原始 HTML 中获取可读文本的关键步骤。直接解析 HTML 会引入大量噪声（导航栏、广告、脚本）。主流提取方案有：

• Readability：Mozilla 开源的页面可读性算法，提取正文、标题、作者等结构化信息。
• Jina Reader：将任意 URL 转换为 LLM 友好的 Markdown 格式，支持深层爬取。
• Firecrawl：完整的爬取管道，支持页面提取、网站地图遍历、结构化数据提取。

参考: Jina Reader 参考: Firecrawl

多源数据整合则意味着 Deep Research 不限于 Web 搜索。学术论文（ArXiv、Semantic Scholar）、新闻源（NewsAPI）、代码仓库（GitHub API）、以及企业私有知识库（通过 RAG 接入）都可以成为感知层的数据源。优秀的 Deep Research 系统应当具备多源适配能力，根据任务类型自动选择最合适的检索渠道。

认知层（Cognition）：信息加工的大脑 #

如果说感知层是眼睛和耳朵，认知层就是大脑。它负责将原始信息转化为结构化知识。

LLM 作为推理引擎是认知层的核心。在 Deep Research 场景中，模型选择存在一个重要的权衡：

实践中，多数 Deep Research 系统采用混合策略：用通用/轻量模型处理简单的信息提取和摘要任务，在关键的推理节点（如矛盾消解、策略调整）切换到推理模型。Tongyi DeepResearch 的技术报告就详细阐述了这种分层模型选择策略。

参考: Tongyi DeepResearch Technical Report

信息抽取与结构化要求模型从非结构化文本中识别实体（人名、组织、技术术语）、关系（A 是 B 的子类、A 导致了 B）、时间线（事件发生的先后顺序）。这一步的质量直接影响后续的知识整合效果。

知识图谱构建与利用是更高级的认知能力。当多轮检索积累了大量信息后，系统需要构建一个临时知识图谱来组织这些碎片——哪些实体已被覆盖？哪些关系尚未建立？哪些信息存在矛盾？知识图谱不仅用于组织信息，还能指导后续的搜索方向：图谱中的"空洞"就是下一步需要搜索的目标。

决策层（Decision）：策略制定的指挥中心 #

决策层负责回答三个核心问题：做什么？怎么做？做到什么程度？

任务分解策略决定了如何将用户的自然语言问题拆解为可执行的子任务。两种典型路线：

• 自上而下（Top-down）：先建立整体框架，再逐层细化。适合结构化问题（如"比较 A 和 B 的优缺点"）。Planner 首先识别问题的维度，然后为每个维度生成子查询。
• 自下而上（Bottom-up）：先广泛收集信息，再逐步归纳模式。适合开放性问题（如"2024 年 AI 领域有哪些重大突破"）。Searcher 先做广度搜索，Critic 再识别关键模式。

搜索路径优化决定了探索的策略。类比图搜索算法：

• 广度优先（BFS 式）：先覆盖主题的多个方面，每个方向浅尝辄止，再逐步深入。适合探索未知领域。
• 深度优先（DFS 式）：沿着一条线索持续深入，直到穷尽或达到阈值。适合验证性研究。
• 自适应（A 式）*：根据当前信息动态调整搜索方向，在广度和深度之间切换。这是 Deep Research 最理想但最难实现的模式，需要 Critic 实时评估信息饱和度并反馈给 Planner。

资源预算分配是 Deep Research 特有的挑战。系统需要在有限的 token 预算、时间预算和 API 调用次数内做出最优决策。这本质上是一个多约束优化问题：

• Token 预算：决定了上下文窗口中可容纳的信息量，直接影响推理质量。
• 时间预算：用户通常期望在几分钟内获得结果，系统需要在速度和深度之间权衡。
• API 调用限制：搜索引擎和 LLM API 都有速率限制，系统需要合理分配调用配额。

执行层（Action）：工具调用与结果交付 #

执行层是将决策层指令转化为实际行动的"手脚"。

工具调用框架是执行层的技术基础。当前主流方案有三种：

参考: MCP Protocol

报告生成与引用标注是 Deep Research 的最终交付环节。一份合格的报告不仅是信息的堆砌，还需要：

1. 结构化组织：按主题/维度分章节，逻辑递进。
2. 引用溯源：每个观点都需要标注来源，读者可以追溯到原始信息。
3. 证据链：重要结论需要多条独立来源支撑，形成交叉验证。

人机交互则贯穿整个执行过程。优秀的 Deep Research 系统会在关键节点向用户反馈中间状态（如"已搜索 15 个来源，正在分析…"），并允许用户在方向偏离时进行干预和修正。这种人在回路（Human-in-the-loop）的设计在长程任务中尤为重要。

2.2 核心组件详解 #

在四层架构的基础上，我们可以进一步抽象出五个核心组件。这些组件在实际系统中可能由同一个 LLM 实例的不同 prompt 角色来实现，也可能部署为独立的微服务。

                    ┌──────────┐
                    │ Planner  │ ← 任务理解与规划
                    └────┬─────┘
                         │ 分解为子任务
              ┌──────────▼──────────┐
              │      Searcher      │ ← 查询生成与多源检索
              └──────────┬─────────┘
                         │ 检索结果
              ┌──────────▼─────────┐
              │       Reader       │ ← 内容提取与信息摘要
              └──────────┬─────────┘
                         │ 结构化信息
              ┌──────────▼─────────┐
              │       Critic       │ ← 质量评估与矛盾消解
              └──────┬───────┬─────┘
                     │       │
              信息不足│       │信息充足
                     ▼       ▼
              ┌──────────┐ ┌──────────┐
              │ 返回迭代  │ │  Writer  │ ← 报告生成
              └──────────┘ └──────────┘

[Mermaid 图]

说明：五组件协同工作流。Critic 作为质量关卡，决定是继续迭代还是进入报告生成。

Planner（规划器） #

Planner 是整个系统的"大脑皮层"，负责理解用户意图并制定研究计划。

任务理解与意图分析是 Planner 的第一步。用户的问题可能是模糊的（“帮我了解一下 RAG”），也可能是精确的（“比较 2024-2025 年间发布的三个开源 RAG 框架的吞吐量和延迟”）。Planner 需要识别问题的类型、所需的深度、以及隐含的约束条件。

多粒度任务分解意味着 Planner 不仅要拆解问题，还要在合适的粒度上进行拆解。太粗（“去搜一下 RAG”）会导致搜索方向模糊；太细（“分别搜索 RAG 的召回率、延迟、吞吐量…"）则会限制探索的灵活性。理想的分解应该是层次化的：顶层是研究维度，每个维度下是可执行的搜索查询。

动态规划调整是 Planner 区别于简单任务分解器的关键。在研究过程中，Planner 需要接收 Critic 的反馈，动态调整研究计划——发现了一个未曾预料到的关键概念，就应该将其纳入研究范围；某个方向的搜索结果质量持续不佳，就应该考虑放弃或换一种搜索策略。

Searcher（搜索器） #

Searcher 负责将 Planner 生成的查询转化为具体的检索操作。

查询生成与优化不仅仅是把 Planner 的查询直接发给搜索引擎。优秀的 Searcher 会：

• 将自然语言查询转化为搜索引擎友好的关键词组合
• 生成多个变体查询，以覆盖不同的搜索角度
• 根据前一轮搜索结果调整后续查询策略（如某关键词效果不佳，尝试同义词或相关概念）

多源检索策略要求 Searcher 根据查询类型自动选择最合适的检索源。技术类查询可能更适合搜索 GitHub 和 ArXiv；商业类查询可能需要 NewsAPI 和行业报告数据库。

去重与结果排序是 Searcher 容易被忽视但至关重要的职责。多轮检索会产生大量重叠结果，去重不仅是 URL 级别的简单比较，还需要语义级别的去重——两个不同 URL 可能包含几乎相同的内容。结果排序则决定了哪些页面值得被 Reader 进一步处理。

Reader（阅读器） #

Reader 将搜索结果页面转化为结构化信息。

页面内容提取与清洗使用 Readability、Jina Reader 或 Firecrawl 等工具，去除导航、广告、脚本等噪声，提取核心正文内容。

关键信息定位与摘要要求 Reader 在清洗后的文本中找到与当前研究问题相关的段落，并生成简洁摘要。这不是简单的文本截断，而是有选择性的信息提取——保留与研究问题直接相关的内容，丢弃无关信息。

多格式处理意味着 Reader 不仅要处理 HTML 页面，还要能解析 PDF（学术论文）、Markdown（技术文档）、JSON（API 响应）等多种格式。

Critic（评估器） #

Critic 是 Deep Research 系统中负责质量控制的"守门员”。

信息可信度评估需要 Critic 判断每个信息来源的可靠性。学术论文通常比博客文章更可信；官方文档比第三方解读更可信；多个独立来源的一致性信息比单一来源更可信。

相关性打分衡量当前收集的信息与用户问题的关联程度。Critic 需要识别哪些信息是直接回答问题的，哪些是背景知识，哪些是完全无关的噪声。

矛盾信息识别与消解是 Critic 最核心的能力。当不同来源对同一事实给出不同描述时，Critic 需要：

1. 识别矛盾
2. 评估各方来源的可信度
3. 标注不确定性（而非强行选择一个答案）

这种能力对于避免 Deep Research 系统产生"看似权威实则错误"的报告至关重要。

Writer（报告生成器） #

Writer 将 Critic 验证过的信息整合为最终的研究报告。

结构化报告模板要求报告有清晰的组织结构：摘要、背景、主体分析、结论、引用。不同主题的报告可能需要不同的模板，Writer 需要根据研究内容自动选择合适的结构。

引用溯源与证据链是 Writer 区别于普通文本生成的关键特征。报告中的每个重要观点都需要标注来源，读者可以追溯到原始信息。对于关键结论，还需要展示证据链——这个结论是基于哪些来源的哪些信息推导出来的。

可视化呈现则是报告的加分项。表格对比、流程图、时间线等可视化元素可以大幅提升报告的可读性。在 Deep Research 场景中，这些可视化可以由 LLM 生成 Mermaid 代码或 Python 图表脚本来实现。

2.3 关键算法模式 #

Deep Research 系统的底层算法模式决定了 Agent 的行为方式。以下是几种核心模式：

ReAct 是最基础的 Agent 模式，也是大多数 Deep Research 系统的起点。它的核心循环是：

思考 → 行动 → 观察 → 思考 → 行动 → 观察 → ... → 最终回答

在 Deep Research 场景中，ReAct 的"行动"通常是搜索操作，“观察"是搜索结果。但单纯的 ReAct 模式存在一个致命缺陷：它容易在深层搜索中"迷失方向”——Agent 可能因为搜索结果中的某个有趣细节而偏离原始问题。

Plan-and-Solve 通过在 ReAct 之前增加一个规划阶段来缓解这个问题。Planner 先生成完整的研究计划，Searcher 再按计划执行。但这又带来了另一个问题：计划是静态的，而研究过程是动态的。

Iterative Refinement 和 Self-Reflection 则引入了反馈循环。Agent 生成初步报告后，自我评估报告质量，然后有针对性地进行补充搜索。这种模式在实践中效果显著，但需要设计合理的评估标准。

Tree of Thoughts 维护多个并行的研究路径，定期评估哪条路径最有价值。这种模式特别适合探索性研究，但计算开销很大，需要合理的剪枝策略。

Agentic RAG 是 RAG 与 Agent 的深度融合。传统 RAG 中，检索是一次性的、被动的；Agentic RAG 中，检索是主动的、多轮的、推理驱动的。检索不再只是"找相关文档"，而是"根据当前推理状态决定需要找什么信息"。

参考: ReAct: Synergizing Reasoning and Acting in Language Models 参考: Tree of Thoughts: Deliberate Problem Solving with LLMs

2.4 Agent 架构范式 #

Deep Research 系统的 Agent 架构经历了从单一到多元的演进：

Single-Agent 架构是当前最主流的选择。它的实现方式是让同一个 LLM 实例在不同阶段扮演不同角色（通过切换 system prompt）。这种架构的优势在于简单——不需要维护 Agent 之间的通信协议，不需要处理分布式状态。但它的上限也很明显：一个模型很难在所有角色上都达到最优。

Multi-Agent 架构将不同职责分配给不同的 Agent 实例。每个 Agent 可以有自己的 system prompt、甚至使用不同的模型（比如 Planner 用推理模型，Reader 用轻量模型）。这种架构的优势在于专业化和可扩展性——你可以为特定任务增加新的 Agent 角色。但通信开销和部署复杂度是主要挑战。

Hierarchical Multi-Agent 是 Multi-Agent 的升级版，引入了管理层和执行层的分离。一个主 Agent（Coordinator）负责任务分解和进度管理，多个子 Agent（Worker）负责具体执行。这种架构在 deer-flow 中得到了充分体现。

                    ┌──────────────┐
                    │ Coordinator  │ ← 任务协调与进度管理
                    └──────┬───────┘
                           │ 分发子任务
          ┌────────────────┼────────────────┐
          ▼                ▼                ▼
   ┌──────────────┐ ┌──────────────┐ ┌──────────────┐
   │  Researcher   │ │   Analyst    │ │   Writer     │
   │  (搜索+阅读)   │ │  (分析+评估)  │ │  (报告生成)   │
   └──────────────┘ └──────────────┘ └──────────────┘

[Mermaid 图]

说明：分层多 Agent 架构，Coordinator 负责任务分配和结果整合，Worker Agent 各司其职。

2.5 工作流示意 #

将上述组件和模式组合起来，一个典型的 Deep Research 工作流如下：

用户提问
    │
    ▼
┌─────────┐     任务分解      ┌─────────┐
│ Planner │ ───────────────→ │ Searcher│
└─────────┘                  └────┬────┘
                                  │ 原始搜索结果
                                  ▼
                            ┌─────────┐
                            │ Reader  │
                            └────┬────┘
                                 │ 结构化信息
                                 ▼
                            ┌─────────┐
                      ┌─────│ Critic  │
                      │     └────┬────┘
                      │          │
                 信息不足    信息充足/饱和
                      │          │
                      ▼          ▼
               ┌──────────┐ ┌──────────┐
               │ 返回Planner│ │  Writer  │
               │ 补充搜索  │ │ 报告生成  │
               └──────────┘ └────┬─────┘
                                 │
                                 ▼
                         输出交付（含引用）

[Mermaid 图]

说明：Deep Research 的迭代工作流。Critic 是关键的质量关卡，决定是否需要补充搜索。

参考: Tongyi DeepResearch Technical Report 参考: gpt-researcher 参考: deer-flow

3. 技术挑战与局限 #

Deep Research 虽然强大，但它远非完美。这一章我们将直面当前的技术瓶颈——不是泛泛而谈，而是深入到具体问题和可能的解决方向。

3.1 信息幻觉与事实准确性 #

幻觉（Hallucination）是 LLM 的老问题，但在 Deep Research 场景中被放大到了一个新的量级。

LLM 幻觉的本质原因在于模型的生成机制：LLM 本质上是一个概率分布采样器，它生成的是"最可能的下一个 token"，而非"事实正确的下一个 token"。当模型在检索结果中找不到答案时，它倾向于"编造"一个看似合理的答案——这不是模型的"恶意"，而是其训练目标的必然结果。

搜索结果噪声加剧了幻觉问题。搜索引擎返回的结果中包含大量低质量内容——SEO 优化的博客、未经验证的观点、甚至虚假信息。当 Reader 将这些噪声信息提取后，Writer 可能将其当作事实写入报告。

交叉验证的局限性在于：即使系统从多个来源获取信息，如果这些来源都引用了同一个错误源头，交叉验证也无法发现问题。这就是所谓的"信息回音室"效应。

解决方案方向：

参考: Deep Research Agents: A Systematic Examination And Roadmap

3.2 搜索深度与 Token 成本的平衡 #

这是 Deep Research 最现实的经济问题。

搜索深度指数增长 vs Token 消耗。假设每一轮搜索平均获取 5 个页面，每个页面提取后约 2000 token，那么：

• 3 轮搜索：15 个页面 ≈ 30,000 token
• 10 轮搜索：50 个页面 ≈ 100,000 token
• 30 轮搜索：150 个页面 ≈ 300,000 token

再加上 Planner、Critic、Writer 的推理开销，一次完整的 Deep Research 任务消耗数十万甚至上百万 token 并不罕见。以 GPT-4o 的 API 价格计算，单次报告成本可能达到数美元——这对于个人用户来说是不可持续的。

信息边际效用递减是一个经济学概念，在 Deep Research 中同样适用。前几轮搜索通常能获取核心信息，后续搜索的增量价值迅速递减。第 10 轮搜索可能只带来 5% 的新信息，但却消耗了与前几轮相同的 token 成本。

成本控制策略：

参考: ReSum: Context Summarization for Long-horizon Search Agents

3.3 长窗口上下文管理 #

Deep Research 的核心挑战之一是：随着搜索轮次的增加，积累的上下文量远超单个模型的上下文窗口。

海量搜索结果超出上下文窗口是一个硬约束。即使是 128K 或 200K token 的上下文窗口，在 30 轮搜索后也可能不够用。更糟糕的是，简单的"截断"策略会丢失早期搜索中获得的关键信息——这就是所谓的"越搜越忘"现象。

上下文压缩技术是解决这一问题的关键。ReSum（Recursive Summarization）提出了一种递归摘要方法：当上下文超出阈值时，将早期搜索结果压缩为结构化摘要，保留核心信息的同时大幅减少 token 消耗。实验表明，ReSum 可以将长程搜索的 token 消耗降低 40-60%，同时保持信息完整性。

检索式记忆 vs 全量上下文是两种不同的策略选择：

ReSum 的核心贡献在于找到了一条中间路径：它不是简单地压缩或检索，而是有结构地压缩——按照主题/维度组织信息摘要，使得压缩后的上下文仍然保留足够的结构信息供推理使用。

参考: ReSum: Context Summarization for Long-horizon Search Agents

3.4 信息时效性与实时性 #

训练数据截止时间限制是 LLM 的固有缺陷。即使模型拥有强大的推理能力，它的"知识"截止于训练数据的最后更新日期。对于"2025 年 3 月发布的最新技术趋势"这类问题，模型的先验知识可能完全空白。

Web 搜索的实时性在一定程度上弥补了这个缺陷——搜索引擎可以返回最新内容。但这带来了新的问题：搜索结果中的最新信息可能与模型训练数据中的旧信息产生冲突，模型需要判断哪个更可信。

动态更新结果的整合意味着 Deep Research 系统需要在研究过程中处理"新出现的信息"。比如，在一个持续 30 分钟的研究过程中，可能有一条新的新闻发布——系统是否应该将其纳入？如何评估其对已有结论的影响？

持续学习机制的缺失是当前 Deep Research 系统的一个根本性局限。模型无法从一次研究任务中"学习"并改进下一次任务的表现。每次研究都是"从零开始"，这在长期使用的场景中是一个效率瓶颈。

3.5 多模态信息处理 #

当前的 Deep Research 系统以文本处理为主，这既是技术现状也是能力限制。

图表理解瓶颈在于：许多重要信息以图表形式存在于网页或论文中（比如性能对比图、架构图、统计图表）。当前的多模态 LLM 虽然能理解简单的图表，但对于复杂的技术图表（如系统架构图、性能基准图）的理解能力仍然有限。

视频/音频信息抽取是一个更难的挑战。许多技术信息以视频形式存在（如 YouTube 技术演讲、产品演示视频），当前的 Deep Research 系统无法有效处理这些内容。即使通过自动语音识别（ASR）提取文本，也会丢失视觉信息。

多模态推理是终极挑战：当不同模态的信息需要整合时（比如一段文字描述 + 一张架构图 + 一个性能图表），模型需要跨模态推理来形成统一的理解。这在当前仍然是一个开放的研究问题。

参考: A Comprehensive Survey of Deep Research: Systems, Methodologies, and Applications

3.6 评估与基准测试 #

Deep Research 缺乏统一的评估标准，这是制约其发展的重要因素。

现有基准的局限性：

研究质量衡量需要多个维度：

• 完整性：是否覆盖了问题的所有重要方面？
• 准确性：报告中的事实是否正确？
• 深度：是否超越了表面信息，触及核心原理？
• 可读性：报告是否结构清晰、易于理解？

人工评估 vs 自动评估的困境在于：自动评估（如 LLM-as-a-judge）效率高但可靠性存疑；人工评估可靠但成本高昂、难以规模化。当前学术界的主流做法是"混合评估"——用自动评估做初步筛选，用人工评估做最终验证。

参考: GAIA Benchmark 参考: WebArena

3.7 安全与伦理 #

信息来源偏见与公平性：搜索引擎的排名算法本身就存在偏见（SEO 优化、商业推广），Deep Research 系统如果直接采信搜索结果，可能会放大这些偏见。

版权与知识产权：Deep Research 系统抓取和整合大量网页内容，这些内容的版权归属和使用限制是一个灰色地带。生成的报告是否可以商用？引用了多少原始内容？这些问题目前缺乏明确的法律框架。

敏感信息合规：在涉及医疗、法律、金融等领域时，Deep Research 生成的报告如果包含错误或过时信息，可能导致严重后果。系统需要具备领域敏感性和合规检查能力。

滥用风险：Deep Research 系统可能被用于自动生成虚假信息、恶意竞争情报收集等场景。系统设计者需要考虑滥用防护机制。

4. 开源项目深度解析 #

数据来源：awesome-deepResearch，按 GitHub Stars 降序。

开源生态是 Deep Research 技术发展的重要推动力。以下分析基于 GitHub 社区的活跃度、技术贡献和社区反馈。

4.1 分类分析 #

Deep Research 开源项目可以根据架构和定位分为四大类：

End-to-end Agent 类 #

这类项目提供"开箱即用"的 Deep Research 体验，用户只需部署即可使用。

典型架构：搜索 → 阅读 → 推理 → 报告。这类项目的共同特点是实现了完整的 Deep Research 闭环，但各自的侧重点不同：deer-flow 强在架构设计（分层多 Agent），gpt-researcher 强在社区生态（丰富的插件和集成），DeepResearch 强在学术支撑（配套论文和训练方法）。

多 Agent 框架类 #

这类项目提供的是"框架"而非"产品"，用户可以基于框架自定义 Agent 的角色和协作方式。

典型架构：Planner → Researcher → Writer → Critic 协同。这类项目的优势在于可扩展性——用户可以增加新的 Agent 角色（如 FactChecker、DataAnalyst），也可以调整 Agent 之间的协作方式。

本地/隐私类 #

这类项目强调"数据不出本地"，适合企业私有数据场景。

技术路线：本地 LLM（如 Qwen-7B、Llama-3-8B）+ 本地检索（如 Milvus、Chroma 向量数据库）。这类项目的核心价值在于数据隐私——研究过程中的所有数据都保留在本地，不经过第三方 API。

Tool-Augmented 类 #

技术路线：Gemini + LangGraph 生态。这类项目的重点不是"产品化"，而是"教学示范"——帮助开发者理解如何用工具增强 LLM 的推理能力。

4.2 技术路线对比 #

单 Agent vs 多 Agent #

趋势：从 Single-Agent 向 Multi-Agent / Hierarchical 演进。早期项目（如 gpt-researcher、deep-research）都采用 Single-Agent 架构，而较新的项目（如 deer-flow）已经转向分层多 Agent 架构。这反映了行业对 Deep Research 复杂性认识的深化。

Prompting vs SFT vs RL #

Prompting 是最快速的验证方式。通过精心设计的 system prompt 和 few-shot 示例，可以让通用 LLM 表现出 Deep Research 能力。但 Prompting 的上限完全取决于基座模型的固有能力的。

SFT（监督微调） 通过在 Deep Research 任务的标注数据上微调，可以显著提升模型在特定任务上的表现。但 SFT 需要大量高质量的标注数据——即完整的"问题→搜索过程→报告"示例对。

RL（强化学习） 尤其是 GRPO（Group Relative Policy Optimization），已成为 Deep Research 领域最主流的优化范式。RL 的核心价值在于：它让模型学会"何时搜索、搜索什么、如何整合"这些策略性决策，而不仅仅是"如何生成文本"。GRPO 相比 PPO 的优势在于不需要额外的价值模型（Value Model），降低了训练复杂度。

开源模型 vs 闭源 API #

4.3 如何选择 #

按场景推荐：

按资源选择：

参考: awesome-deepResearch

5. 关键论文解读 #

以下论文均来自 awesome-deepResearch 的 Works 部分。

Deep Research 作为一个独立的研究方向，在 2025 年迎来了论文爆发。本节挑选最具代表性的论文进行深度解读。

5.1 技术趋势分析 #

RL 主导优化范式 #

纵观 2025 年 Deep Research 领域的论文，一个显著趋势是：强化学习（RL）已成为优化 Deep Research Agent 能力的主流范式。

GRPO 成为最受欢迎的选择，原因在于它不需要额外的价值模型（Value Model），只需对同一 prompt 生成多组输出、比较它们的奖励即可计算优势函数。这在 Deep Research 场景中尤为重要——因为训练一个可靠的价值模型本身就非常困难。

RL 的核心价值在于让模型学会策略性决策：何时应该继续搜索？何时应该停止？应该搜索什么方向？这些决策无法通过简单的 SFT 获得，因为它们涉及的是"做选择"而非"生成文本"。RL 通过奖励信号，让模型在试错中学习到最优策略。

参考: ReSearch 参考: ZeroSearch 参考: ReSum 参考: Search-R1

Qwen 系列模型的统治地位 #

在 Deep Research 领域的 10 篇代表性论文中，有 8 篇使用 Qwen 系列作为基座模型。这一现象并非偶然：

Qwen3-30B-A3B 系列已成为 Deep Research 事实上的基准模型。这一趋势反映了 Deep Research 研究的一个重要特征：它需要的不仅是"聪明"的模型，更是"会用工具"的模型。

合成数据（Synthetic Data）重要性提升 #

当真实标注数据稀缺时，合成数据成为突破瓶颈的关键。

WebSailor-V2 展示了合成数据与可扩展 RL 的训练范式：通过 LLM 自动生成高质量的 Deep Research 训练数据（包括搜索轨迹、信息整合过程、最终报告），然后用这些数据训练搜索 Agent。这种方法的关键在于合成数据的质量控制——需要设计合理的验证机制来确保合成数据的可靠性。

ZeroSearch 则将合成数据推向了极端：完全不需要真实搜索 API，用 LLM 模拟搜索结果来训练搜索策略。这种方法的意义在于它突破了搜索 API 的成本限制和速率限制，使得大规模训练成为可能。

参考: WebSailor-V2 参考: ZeroSearch

5.2 架构演进 #

Single-Agent → Multi-Agent #

在分析的 10 篇关键论文中，9 篇采用 Single-Agent 架构，仅 WebResearcher 一篇采用 Multi-Agent 架构。这反映了当前的研究现状：

• Single-Agent 仍是主流：实现简单、训练成本低、实验可重复性高。对于学术研究来说，Single-Agent 降低了实验的复杂度，使得研究者可以专注于核心算法的改进。
• Multi-Agent 代表未来方向：WebResearcher 论文展示了多角色协作（Planner、Searcher、Evaluator、Writer 各司其职）如何释放无界推理能力。虽然实现复杂，但它的性能上限更高，特别是在复杂研究任务中。

参考: WebResearcher

阿里系论文的体系化贡献 #

一个值得注意的现象是，Deep Research 领域最具体系性的研究成果来自阿里团队。5 篇论文形成了一个完整的研究体系：

这 5 篇论文覆盖了 Deep Research 的全链路优化：从系统架构（DeepResearch）到上下文管理（ReSum）、路径规划（WebWeaver）、协作模式（WebResearcher）、训练数据（WebSailor-V2）。这种体系化的研究方式在 AI 领域并不多见，它反映了工业界研究团队的工程化思维。

参考: DeepResearch 参考: ReSum 参考: WebWeaver 参考: WebResearcher 参考: WebSailor-V2

5.3 关键突破点 #

ZeroSearch（2025/05）：无需真实搜索即可训练搜索能力 #

核心思想：用 LLM 模拟搜索结果，通过 RL 训练搜索策略。

传统搜索 Agent 的训练需要大量真实的搜索 API 调用——这既昂贵又受限于 API 速率。ZeroSearch 的创新在于：它训练一个"搜索模拟器"（Search Simulator），这个模拟器可以根据搜索查询生成逼真的搜索结果。然后，用这些模拟结果来训练搜索 Agent 的策略。

这个方案的关键在于模拟器的质量。ZeroSearch 通过精心设计的合成数据生成流程，确保模拟结果足够接近真实搜索结果，使得在模拟环境中训练的策略可以迁移到真实搜索场景。

意义：大幅降低训练成本，突破搜索 API 限制，使得 Deep Research 的训练可以在没有搜索 API 配额的情况下进行。

参考: ZeroSearch

WebWeaver（2025/09）：动态大纲驱动的开放研究 #

核心思想：研究过程中动态生成和修改大纲。

传统的 Deep Research 系统要么使用固定大纲（Plan-and-Solve），要么完全没有大纲（纯 ReAct）。WebWeaver 提出了一种动态大纲（Dynamic Outline）机制：

1. 研究开始时，Planner 生成一个初步大纲。
2. 随着研究的深入，新发现的概念和关系被添加到大纲中。
3. 如果某个大纲分支的信息已经饱和，则标记为"已完成"。
4. 如果发现某个大纲方向不正确，则回退并重新规划。

这种机制使得研究过程从"线性"进化为"非线性、自适应"——系统可以像人类研究者一样，在研究过程中调整研究方向。

意义：解决了传统 Deep Research 系统"一旦开始就难以调整方向"的问题。

参考: WebWeaver

ReSum（2025/09）：长程搜索中的上下文压缩 #

核心思想：通过上下文摘要技术突破长程搜索的窗口限制。

在长程搜索中，Agent 可能执行数十轮搜索，累积的信息量远超上下文窗口。ReSum 提出了一种递归摘要（Recursive Summarization）方法：

1. 当上下文接近窗口限制时，将早期搜索结果压缩为结构化摘要。
2. 摘要按照主题/维度组织，保留关键实体、关系和结论。
3. 压缩后的摘要与新的搜索结果一起作为下一轮的上下文。

实验表明，ReSum 可以将长程搜索的 token 消耗降低 40-60%，同时保持信息完整性和推理质量。

意义：解决了"越搜越忘"的长程 Agent 核心痛点，使得 Deep Research 可以扩展到更深的研究轮次。

参考: ReSum

Search-R1（2025/03）：搜索与推理的 RL 统一 #

核心思想：将搜索工具调用内化为推理过程的一部分。

传统的搜索 Agent 中，搜索是一个"外部工具调用"——模型决定搜索，执行搜索，然后处理搜索结果。Search-R1 通过强化学习将搜索行为内化为模型推理的一部分，使得模型可以端到端地学习"何时搜索、搜索什么"的策略。

具体来说，Search-R1 使用 PPO 算法训练模型，奖励信号基于最终答案的质量（而非中间步骤的正确性）。这使得模型学会在需要时搜索、在不需要时跳过搜索，而不是机械地"每步都搜"。

意义：端到端训练消除了对启发式规则的依赖，使得搜索策略可以自适应地优化。

参考: Search-R1

6. 未来展望 #

Deep Research 技术仍处于早期阶段。基于当前的技术趋势和研究方向，我们可以预见以下几个重要发展。

6.1 从"研究"到"行动"的闭环 #

当前的 Deep Research 系统的输出是"研究报告"——一份静态的文档。但研究的终极目的是行动。

未来的 Deep Research 系统将不仅告诉你"应该做什么"，还会直接帮你做。比如：

• 研究完"如何部署一个 RAG 系统"后，直接生成部署脚本并执行
• 研究完"某个竞品的功能对比"后，自动生成产品需求文档
• 研究完"某个技术方案的可行性"后，直接启动 PoC 项目

这需要 Deep Research 系统具备行动能力（Action Capability）——不仅是信息的整合者，更是任务的执行者。这也带来了新的安全挑战：一个可以"行动"的研究 Agent 需要严格的权限控制和人工审批机制。

6.2 开源生态与闭源产品的竞争格局 #

Deep Research 领域正在形成两条并行路线：

闭源路线（OpenAI Deep Research、Google Gemini、Anthropic Claude）的优势在于性能和体验。闭源产品可以使用最强大的模型（o3、Claude Opus），拥有最优的工程实现，并且可以直接集成到用户的日常工具中。

开源路线（deer-flow、gpt-researcher、DeepResearch 等）的优势在于可控性和定制化。企业可以针对特定场景微调模型，可以确保数据隐私，可以深度定制系统行为。

两者的竞争将推动整个领域的发展：闭源产品设定性能上限，开源项目降低使用门槛。最终，混合模式（核心推理用闭源模型 + 搜索/提取用开源组件）可能成为企业的最优选择。

6.3 多模态 Deep Research 的兴起 #

当前的 Deep Research 几乎完全依赖文本信息。但真实世界的知识远不止文本：

• 图表：论文和报告中的性能对比图、架构图、统计图表包含了大量量化信息
• 视频：技术演讲、产品演示、教程视频是重要的知识来源
• 代码：GitHub 仓库中的源码和 Issue 讨论是技术理解的直接来源
• 音频：播客、会议录音等音频内容也包含重要信息

多模态 Deep Research 系统将能够整合这些不同模态的信息，形成更全面的研究结论。这需要多模态 LLM 的突破，也需要跨模态检索和对齐技术的进步。

6.4 监管与伦理 #

随着 Deep Research 系统的能力不断增强，监管和伦理问题将日益凸显：

• 信息溯源：如何确保报告中的每个观点都可以追溯到可靠的来源？
• 版权合规：自动抓取和整合网页内容是否侵犯版权？
• 数据隐私：研究过程中处理的敏感信息如何保护？
• 偏见控制：如何避免系统放大搜索引擎和训练数据中的偏见？
• 透明度：用户是否知道报告是如何生成的？置信度如何？

这些问题没有简单的技术答案，需要技术界、法律界和监管机构的协作。但有一点是确定的：缺乏伦理框架的 Deep Research 系统，能力越强，风险越大。

7. 结语 #

Deep Research 代表了大模型应用的一个重要方向：从"被动回答"到"主动研究"，从"对话工具"到"自主工作单元"。它不仅是搜索技术的升级，更是 AI Agent 能力的一次质变。

回顾本文的论述，我们可以总结出 Deep Research 的几个核心要点：

1. 架构决定上限：四层架构（感知、认知、决策、执行）和五组件（Planner、Searcher、Reader、Critic、Writer）提供了理解 Deep Research 系统的通用框架。
2. RL 是关键使能技术：GRPO 等强化学习算法让模型学会策略性决策，突破了 Prompting 和 SFT 的能力上限。
3. 开源生态正在加速：从 Single-Agent 到 Multi-Agent，从 Prompting 到 RL 训练，开源项目的迭代速度令人瞩目。
4. 挑战依然严峻：幻觉控制、成本优化、长程上下文管理、多模态处理——每一个都是需要持续攻坚的技术难题。

Deep Research 的终极愿景，是让每一个人都拥有一个"随叫随到的研究员"——一个能理解你的问题、自主探索答案、并以清晰的方式呈现的 AI 伙伴。这个愿景尚未实现，但路径已经清晰。

参考文献 #

论文 #

综述论文 #

其他论文 #

开源项目 #

工具与服务 #

本文草稿，待确认后方可定稿。