Deep Research：AI从文本生成迈向知识发现

深度探索（Deep Research），引领人工智能（AI）系统从“文本生成”向“知识发现”进化，实现复杂开放式任务。

目前，Deep Research 已广泛应用于文本生成、科研及软件工程等领域，助力完成学术综述、会议海报、演示文稿（PPT）生成等多样化任务。

尽管如此，该领域尚处于初期阶段，亟需对Deep Research的路线图、基础组件、实践技术、关键挑战及未来方向进行系统描述。

近期，来自山东大学、中国人民大学和清华大学的研究团队及其合作者，在一篇最新综述中详细梳理了Deep Research的演变历程，为Agentic研究范式奠定了理论基础。

论文链接：https://arxiv.org/abs/2512.02038

Deep Research 是什么？

Deep Research 赋予大型语言模型（LLM）一个端到端的研究工作流程，使其能够作为智能代理，在最少人工干预下生成连贯且有明确来源依据的研究报告。在实际操作中，Deep Research 系统的LLM代理会先规划研究问题，从多种异构来源中获取并筛选相关信息，维护并更新工作记忆，最终输出经过验证并标注准确来源的答案。

研究人员将Deep Research划分为三个阶段，其能力随着不同阶段逐步提升。

第一阶段是自主搜索（Agentic Search），专注于自主搜索，主要寻找正确信息来源，生成简明、引用明确的答案，强调检索的准确性和效率。

第二阶段是整合研究（Integrated Research），将多源证据综合为连贯、结构化的报告，同时处理冲突和不确定性，以支持长周期任务和决策。

第三阶段是全栈AI科学家（Full-stack AI Scientist），不仅整合证据，还能生成假设、进行实验验证、批判现有观点并提出新视角，追求科学发现的新颖性、洞察力和结论的可复现性。

整体来看，这三个阶段体现了Deep Research系统从简单信息检索到复杂分析再到前沿科学研究的能力演进路径。

Deep Research的关键组成部分

一个Deep Research系统可被视为一个闭环工作流，它接收复杂问题，通过不断分析、查资料、整理信息，最后以长文本或报告的形式输出一个结构化的答案。

这个过程由查询规划（Query Planning）、知识检索（Knowledge Acquisition）、记忆管理（Memory Management）和答案生成（Answer Generation）组成，这四部分不断循环，直至问题得以充分解决。

图| Deep Research的四个关键组成部分

查询规划

查询规划是将一个复杂的问题转化为一系列结构化、可执行的子任务的过程。每个子任务可逐步解决，通过分解系统能实现逐步推理与信息获取，提升最终结果的准确性和可靠性。

查询规划包括三种常用策略。其一，并行规划（parallel planning）是将输入拆解为彼此独立的子任务，可并行求解；其二，顺序规划（sequential planning）是将子任务按线性顺序排列；其三，树状规划（tree-based planning）是在分支决策空间中探索。

图| 三种常用的查询规划策略

知识检索

在Deep Research系统中，知识检索已从传统的词汇匹配和密集文本搜索发展为利用实时网络搜索引擎获取最新信息。多模态检索通过对视觉和结构化数据进行建模，但带来更高的计算成本，同时在跨模态对齐与格式处理上存在风险。

记忆管理

记忆管理是Deep Research系统的核心组成部分，负责管理在复杂、长周期任务中使用上下文的动态生命周期，旨在保持任务解决过程中上下文的连贯性和相关性。

记忆管理包括四个环节。其一，整合环节（consolidation）是将短期经验转化为持久表示；其二，索引环节（indexing）是将这些表示组织成可检索的结构；其三，更新环节（updating）是对存储的知识进行修正或优化；其四，遗忘环节（forgetting）是有选择地删除过时或无关内容。

图| 记忆管理的四个阶段

答案生成

答案生成是Deep Research系统的最终阶段。与传统文本生成不同，Deep Research的答案生成需应对复杂挑战，如调和相互矛盾的证据、保持长周期一致性等。

研究人员将其划分为四个渐进阶段：首先是整合多样化的信息源；其次是综合证据并保持逻辑一致性；然后构建推理结构与叙事框架；最后发展到跨模态生成的前沿应用。

图| Deep Research答案生成过程

未来挑战

研究人员指出，Deep Research未来可能面临以下挑战：

检索时机

当前Deep Research系统过度依赖“答案是否正确”来驱动整个搜索过程，缺乏对检索时机的细粒度判断，导致过度检索或检索不足。此外，即便不断进行检索，模型可能在无法检索到相关证据时仍强行作答，有误导用户的风险。

记忆进化

当前主流的记忆架构对文本块进行向量化存储，遵循一种扁平化的存储范式，无法捕捉知识元素之间深层次的逻辑或关系结构。

训练算法

在Deep Research系统中，智能体通常要与环境进行多轮交互。尽管PPO和GRPO等强化学习算法在单轮场景下表现出相对稳定的行为，但当其被扩展至多轮设置时会出现不稳定性。

评估体系

LLM-as-Judge已成为评估长文本生成的主流方法。但其存在两个局限性：一是偏差问题；二是效率问题。大规模的成对比较评估成本高昂。

基于这些挑战，Deep Research应具备无缝适应不同底层模型、任务风格与用户偏好的能力。此外还需要一种标准化、泛化能力强的记忆系统来确保正确存储、追踪和引用研究过程中发现的证据。此外成熟的Deep Research系统还需要通用、模块化、可扩展的框架以在不同环境、工具集之间自由切换。