标准回答
整体编排
Deep Research Agent 把一个开放问题拆成结构化流程:
- 规划:将大问题分解为若干子问题/调查方向。
- 检索与浏览:对每个子问题做多轮搜索、打开网页、抽取关键信息,必要时基于已读内容生成新的追问。
- 去重与综合:合并重复信息、交叉验证冲突说法,按主题归纳。
- 成文:输出结构化报告,并为每个关键结论标注引用来源。
关键关注点
- 覆盖度:用子问题清单 + 反思机制判断是否还有盲点,缺口就补检索,避免单次搜索得出片面结论。
- 可信度:优先权威/一手来源,多源交叉印证,保留可点击的引用,既便于读者核查,也抑制幻觉。
工程实现
通常用有状态的图/循环式编排(如 LangGraph)管理子任务队列、中间记忆、迭代次数与终止条件,平衡覆盖深度与成本/时延。
常见误区
⚠️ 常见踩坑
别把它当成「搜一次就总结」——真正的 Deep Research 靠规划+反思做多轮迭代补全覆盖;也别只给结论不给引用,缺少可追溯来源时既无法核查又难以判断是否幻觉。
追问
追问 1:如何判断研究「够了」可以停止?
设置终止条件:子问题清单是否都已取证、新一轮检索是否不再带来新增信息(收敛)、是否达到迭代/预算上限。常用「反思—是否仍有缺口」的循环来决定继续或收尾。
追问 2:来源相互矛盾时怎么处理?
不直接择一,而是交叉验证:比较来源权威性与时效,标注分歧,必要时在报告中并列呈现不同说法及其出处,让结论可追溯而非武断下定论。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具
- LangGraph
基于图的 AI Agent 编排框架,29,857+ stars。LangChain 团队出品,用有向图定义 Agent 工作流,支持循环、条件分支、多 Agent 协作。是构建复杂 Agent 系统的标准工具。
- Deep Research
支持任意 LLM 的深度研究工具——可使用任何大语言模型进行自主深度研究。支持 SSE API 和 MCP 服务器,兼容 OpenAI、Anthropic、Gemini、DeepSeek、Grok 和 Ollama。4.6K+ stars