LLM Compass

简体中文

English

简体中文

English

主题

Deep Research（深度研究 Agent）总览 ​

一句话：Deep Research 指一类自治 agent——给一个研究型问题，它自主完成"规划 → 多步网络检索 → 阅读 → 反思补检 → 综合 → 带引用成稿"的迭代循环，产出一篇可核查的长篇报告；它不是一次性的联网问答，而是把"做研究"本身当成一段可以跑几分钟到几十分钟的 agent 轨迹。代表性起点是 OpenAI Deep Research（2025-02）与 Google Gemini Deep Research（2024-12），开源侧有 GPT Researcher、HF open-deep-research（2025-02）、Stanford STORM（2024）等。

前置阅读：Agent 总览、工具使用、多智能体；与检索增强的边界见 Skills vs RAG/微调；训练这类浏览 agent 的 RL 见 Web 长程导航 Agent 的 RL。

定义与能力边界 ​

"Deep Research" 这个词在 2024 年底到 2025 年初被几家厂商几乎同时采用，所指大体一致：用户给一个开放式、需要综合多个来源的问题（"对比近三年三家云厂商的推理芯片路线""调研某疾病的最新一线疗法及证据等级"），agent 自主决定搜什么、读什么、还缺什么、何时收尾，最后交一篇结构化、带行内引用的报告。

它的能力边界由三件事划定：

  • 要做的是"综合"，不是"查一条事实"。单条事实（"某公司 CEO 是谁"）用普通联网问答即可；Deep Research 的价值在于需要交叉比对几十上百个网页、调和相互冲突的说法、并组织成有论点的长文。
  • 它会自己规划和迭代。不是固定 retrieve-then-read 一遍，而是边读边发现知识缺口、再生成新的子问题去补检，循环若干轮。
  • 它产出带引用的可核查报告，而非一段无出处的回答——引用是 Deep Research 区别于普通"会上网的聊天"的核心契约（尽管引用可靠性本身仍是开放问题，见下）。

典型 agent 循环 ​

绝大多数 Deep Research 系统（无论闭源开源）都收敛到同一套迭代范式：先规划，再"检索—阅读—反思"循环若干轮，最后综合成稿并附引用。

各家的差异主要在三处：循环由单 agent 自反思驱动（GPT Researcher、HF open-deep-research）还是由supervisor 派发多个并行子 agent（LangChain open_deep_research、多数产品）；浏览是纯文本网页还是带视觉的真实浏览器；以及背后模型是否经过针对浏览与推理的专门训练（OpenAI Deep Research 即在 o 系列上专门优化）。

与 RAG / 普通联网问答的区别 ​

普通 RAG / 联网问答Deep Research
检索次数通常一轮（retrieve → read → answer）多轮迭代，边读边补检
是否自带规划一般没有有，先拆子问题/列大纲
反思补检无有，发现缺口再搜
输出形态一段答案结构化长报告 + 行内引用
耗时秒级数分钟到数十分钟
失败模式检索没命中就答不好长程轨迹任一步跑偏都会累积偏差

简言之：RAG 是"取一次资料来答"，Deep Research 是"像研究员一样反复查证再成稿"。Deep Research 通常内部就包含 RAG（每一轮检索-阅读就是一次 RAG），但在外面套了规划与反思的 agent 循环。

演进时间线 ​

分类对比大表 ​

名称年份闭源/开源机构一句话链接
GPT Researcher2023-07开源Assaf Elovic（社区）planner+execution 双 agent，可接任意 LLM，深研模式约 5 分钟/篇GitHub
STORM / Co-STORM2024开源Stanford OVAL写维基式长文：先做 pre-writing 研究列大纲，再带引用成稿（Co-STORM 2024-09）详情 ·GitHub
Gemini Deep Research2024-12闭源/产品Google2024-12 发布，先出研究计划给用户确认再执行官博
OpenAI Deep Research2025-02闭源/产品OpenAI在 o 系列上专门优化浏览与推理，2025-02 发布，HLE 26.6%详情 ·官博
Perplexity Deep Research2025-02闭源/产品Perplexity2025-02 发布，主打快（多数任务 3 分钟内），HLE 21.1%官博
Grok DeepSearch2025-02闭源/产品xAI随 Grok 3（2025-02）推出，能整合 X 实时数据、调和冲突说法发布
open-deep-research（HF）2025-02开源Hugging Face24 小时复现 OpenAI 版，基于 smolagents 的 code agent，GAIA 验证集 55%详情 ·官博
open_deep_research（LangChain）2025开源LangChain基于 LangGraph 的 supervisor 架构，派发并行子 agentGitHub
Tongyi DeepResearch2025-10开源阿里 Tongyi Lab30B-A3B MoE，agentic mid/post-training，开源刷榜标杆（BrowseComp 43.4 / HLE 32.9 / GAIA 70.9，以技术报告为准）详情 ·arXiv
Step-DeepResearch2025-12论文阶跃星辰 StepFun32B 单 agent ReAct，原子能力数据合成 + mid-training→SFT→RL 三阶段 + checklist Judger，ResearchRubrics 61.42（单 agent 第一），自建中文 ADR-Bench，单篇约 0.5 RMB详情 ·arXiv
REDSearcher2026-02开源小红书 RED · HIT · SJTU针对轨迹/奖励稀疏，低成本统一训练长程搜索 agent，含多模态版（BrowseComp 57.4 / GAIA 80.1，以原文为准）详情 ·arXiv
MiroFlow / MiroThinker2026-02开源MiroMind高鲁棒开源深研框架 + 研究 agent 模型，GAIA / BrowseComp(-ZH) / HLE / xbench 多榜 SOTA 级（以原文为准）arXiv ·模型
Marco DeepResearch2026-03论文阿里国际 AIDCverification-centric：数据合成 / 轨迹 / test-time 三层验证，主打高效arXiv
O-Researcher2026-01开源学术团队多 agent 蒸馏 + agentic RL，不依赖闭源数据/模型即达有竞争力的深研成绩arXiv
Mind DeepResearch2026-04论文理想汽车约 30B，规划/深搜/报告三 agent + SFT→Search-RL→Report-RL→偏好对齐四阶段，已落地理想产品详情 ·arXiv
AgentDisCo2026-05论文Jin 等把深研建模为探索 vs 利用的对抗优化：Critic/Generator 解耦协作 + 代码生成元优化沉淀 policy bank，多个报告基准对标闭源详情 ·arXiv
DR-Rubric2026-05开源复旦 / 小红书等把"造 RL 奖励 rubric"当成深研任务：agentic 检索挖证据→蒸馏成原子可验证约束→GRPO，小模型可自举详情 ·arXiv

国产与开源的刷榜竞赛（2025–2026） ​

2025 下半年到 2026 年，Deep Research 从"几家产品发布"演变为一场公开榜单上的硬碰硬，主战场是 BrowseComp / BrowseComp-ZH（深度浏览找信息）、HLE（高难知识）、GAIA（通用助理）、xbench-DeepSearch / WebWalkerQA / FRAMES 等。这一波最有代表性的、有论文且刷出高分的工作几乎都来自国内大厂与开源社区：

  • Tongyi DeepResearch（阿里 Tongyi Lab，arXiv:2510.24701）：30B-A3B MoE，用 agentic mid-training + agentic post-training 端到端训练 + 全自动数据合成管线，把开源深研 agent 拉到与 OpenAI Deep Research 同档；报告 BrowseComp 43.4 / BrowseComp-ZH 46.7 / HLE 32.9 / GAIA 70.9 / xbench-DeepSearch 75.0（以技术报告为准）。详见 Tongyi DeepResearch 专页。
  • Step-DeepResearch（阶跃星辰 StepFun，arXiv:2512.20491）：提出 "search ≠ research"，把深研拆成四类原子能力分别造数据，用 agentic mid-training（32K→128K）→ SFT → PPO 三阶段在 32B（Qwen2.5-32B-Base）单 agent ReAct 上训练，并用 checklist 式 Rubrics Judger 当 RL 奖励；ResearchRubrics（Scale AI）报告 61.42——单 agent 类第一、总榜仅次于 Gemini DeepResearch、超过 OpenAI DeepResearch，且单篇成本约 0.5 RMB（不到顶级商用的 1/10）。另自建中文场景基准 ADR-Bench（110 条 query，通用 70 + 金融法律 40，人评 + rubric 双轨）。详见 Step-DeepResearch 专页。
  • REDSearcher（小红书 RED × 哈工大 × 上交，arXiv:2602.14234）：直击"高质量搜索轨迹与奖励信号极度稀疏"的瓶颈，用复杂任务合成（图拓扑 + 证据分散）+ 两阶段 mid-training + SFT/Agentic RL 的低成本统一流水线，并在本地千万级文档闭库里做 rollout 省成本；30B-A3B 报告 BrowseComp 57.4 / GAIA 80.1（以原文为准），并扩展出多模态 REDSearcher-MM。详见 REDSearcher 专页。
  • MiroFlow / MiroThinker（MiroMind，arXiv:2602.22808 / arXiv:2511.11793）：MiroFlow 是高鲁棒的开源深研框架（agent graph 编排 + 可选深推理模式），MiroThinker 是配套模型（model / context / interactive 三维 scaling）；在 GAIA、BrowseComp-EN/ZH、HLE、xbench-DeepSearch 等多榜刷到开源 SOTA 级（具体分数随版本变化，以各自原文为准）。
  • Mind DeepResearch（理想汽车，arXiv:2604.14518）：约 30B，把深研拆成规划 / 深搜 / 报告三 agent，用 SFT 冷启动 → Search-RL → Report-RL → 偏好对齐四阶段分别打磨搜索与写报告能力，并自建 500 条中文 query 的多维 rubric 基准 MindDR Bench；已落地理想自家产品。报告 BrowseComp 42.8 / BrowseComp-ZH 45.7 / xbench-DS 75.0（以原文为准）。详见 Mind DeepResearch 专页。
  • Marco DeepResearch（阿里国际 AIDC，arXiv:2603.28376）：把**验证（verification）**贯穿数据合成、轨迹构造、test-time 三层——让 agent 自己当 verifier，抑制误差在各阶段向下游传播，主打"高效深研"。
  • O-Researcher（arXiv:2601.03743）：用多 agent 蒸馏 + agentic RL 的两阶段训练，让多种规模的开源模型在深研榜上取得有竞争力的成绩，且不依赖闭源数据/模型。

看榜须知：这些分数来自各自论文/技术报告，口径、时点、工具配置、test-time scaling（如 Heavy Mode / 并行子 agent）各不相同，跨系统直接比绝对值意义有限；榜单（尤其 BrowseComp-ZH、xbench-DeepSearch）也在快速迭代。把它们当作"同一时期开源深研能力的量级参照"，而非精确排名。

评测与现状 ​

这类系统主要在三个 benchmark 上比拼：

  • GAIA（arXiv:2311.12983，2023-11，Meta 等）：466 道"对人简单、对 AI 难"的真实任务，需要推理、多模态、网页浏览与工具使用。HF open-deep-research 在验证集做到约 55%（pass@1），其官博引用 OpenAI Deep Research 约 67% 的平均分作对照。
  • Humanity's Last Exam（HLE）：跨百余学科的高难度知识题。OpenAI Deep Research 官方报告 26.6%，Perplexity Deep Research 报告 21.1%——这些是各家自报数，口径与时点不同，横向比要谨慎。
  • BrowseComp（arXiv:2504.12516，2025-04，OpenAI）：1266 道需要"持续翻找、信息深埋"的浏览题，答案短小易于自动判分，专门衡量 agent 在网上"刨"信息的能力。

现状与局限（这也是当前最值得警惕的部分）：

  • 幻觉与引用不可靠：报告读起来很权威，但论断未必真由其所挂引用支持，存在"挂了链接却对不上原文"或过度外推的情况；引用的存在 ≠ 引用的正确。
  • 来源质量参差：agent 难以稳定区分权威来源与营销/低质内容，容易把片面或过时信息写进结论。
  • 成本与时延：一篇报告动辄几分钟到几十分钟、调用大量检索与长上下文推理；开源方案（如 GPT Researcher 自报 o3-mini 下约 $0.4/篇）相对可控，但产品级深研仍偏贵。
  • 可复现性差：网页内容随时间变化、搜索结果不确定，同一问题两次跑结果可能不同，给评测和审计带来困难。

实践建议：把 Deep Research 当成会列出处的初稿研究助手而非终审，重要结论务必顺着引用回查原文。

参考链接 ​