摘要
深度研究智能体会把一个开放主题转化为一项受管理的调查。它不是只根据一个提示或一个搜索结果作答，而是会规划工作、分轮收集证据、总结阶段性发现，并编制一份可追溯的报告。为什么这很重要
研究是最清晰的产品表面之一，在这里，智能体系统既可能有用，也可能危险。 有用，是因为这项工作天然可以拆解为搜索、阅读、记笔记和综合。 危险，是因为用户会期待新鲜度、来源质量，以及对不确定性的诚实处理。一份看起来精致、却没有可靠证据链的答案，不是真正的研究产品。心智模型
最稳健的模式是一个四部分循环：plan: 将主题拆解为有边界的研究任务collect: 为每个任务收集证据synthesize: 在上下文超载之前总结每个任务report: 结合明确的来源和开放问题，组装最终答案
架构图
工具生态
深度研究系统通常会结合一套规模不大但立场明确的工具集：- 用于收集证据的搜索或浏览工具
- 用于结构化中间状态的笔记或工件存储
- 用于保持任务输出有边界的总结逻辑
- 用于保留引用和不确定性的报告生成
- 规划审核可防止浪费搜索轮次
- 来源审核可发现薄弱或无关的证据
- 最终审核可发现缺乏支持的综合结论和语气漂移
权衡
- 更广泛的搜索提升覆盖面，但也会增加噪音和来源质量差异。
- 更激进的任务拆解提升控制力，但过多任务会带来开销和重复。
- 强总结能保持上下文整洁，但如果没有保留引用，它可能会隐藏细节。
- 单一最终答案读起来更流畅，但分阶段的工件轨迹更值得信赖。
- 先规划，再搜索
- 将引用附着在任务层，而不只放在最终报告中
- 将“未知”视为有效输出
- 将证据收集与最终叙述生成分开
引用
延伸阅读
更新日志
- 2026-04-21：基于导入的参考材料和实验室重写规则生成的首个仓库原生草稿。