Deep Research 已經成為最受歡迎的 AI 智能體應用之一。OpenAI、Anthropic、Perplexity 和谷歌都推出了 Deep Research 產品，這些產品能夠利用各種上下文生成全面的報告。此外，還有很多開源的實現版本。

LangChain 官方 基于 LangGraph 開發了一個簡單且可配置的 Open Deep Research（以下簡稱：開放式深度研究） 智能體，允許用戶使用自己的大模型、搜索引擎和 MCP Servers。

Research 是一項開放性任務，很難提前知道回答用戶請求的最佳策略。不同的請求可能需要不同的研究策略和不同程度的搜索深度。

例如：

• “比較這兩種產品”：比較通常需要分別搜索每種產品，然后進行綜合比較。
• “找出這個職位的前20名候選人”：列出和排名的請求通常需要開放式搜索，然后進行綜合和排名。
• “X 是真的嗎？”：驗證性問題可能需要對特定領域進行迭代深度研究，此時信息來源的質量比搜索的廣度更重要。

鑒于這些情況，開放式深度研究的一個關鍵設計理念是靈活性，能夠根據不同請求探索不同的 Reseach 策略。

下文我們詳細剖析之，

一、Open Deep Research 架構設計剖析

Research 非常適合 AI 智能體架構設計，因為它們可以靈活地應用不同的策略，利用中間結果指導探索過程。開放式深度研究使用 AI 智能體架構，并按照三步流程進行研究：

• 范圍界定：澄清研究范圍；
• 研究：進行研究；
• 撰寫：生成最終報告。

1、階段一：范圍界定設計

范圍界定的目的是收集研究所需的所有用戶上下文信息。這是一個包含用戶澄清和簡報生成的兩步流程。

第一、用戶澄清

OpenAI 指出，用戶在研究請求中很少提供足夠的上下文信息。我們使用聊天模型在必要時詢問額外的上下文信息。

第二、簡報生成

聊天互動可能包括澄清問題、后續問題或用戶提供的示例（例如，之前的深度研究報告）。由于這種互動可能非常冗長且包含大量 token，我們將這些互動轉化為一個全面但聚焦的研究簡報。研究簡報是我們成功的指南，我們會在研究和撰寫階段不斷參考它。

??我們將研究人員與用戶的聊天互動轉化為一個聚焦的研究簡報，供研究主管對照衡量。

2、階段二：研究

研究的目標是收集研究簡報中請求的上下文信息。我們使用一個主管 AI 智能體進行研究。

第一、研究主管

主管的工作很簡單：將研究任務分配給適當數量的子 AI 智能體。主管會判斷研究簡報是否可以分解為獨立的子主題，并將這些子主題分配給子 AI 智能體，每個子 AI 智能體都有獨立的上下文窗口。這很有用，因為它允許系統并行化研究工作，更快地找到更多信息。

第二、研究子 AI 智能體

每個研究子 AI 智能體會從主管那里獲得一個子主題。子 AI 智能體只專注于特定主題，而不必擔心整個研究簡報的范圍——那是主管的工作。每個子 AI 智能體通過工具調用循環進行研究，利用用戶配置的搜索引擎和/或MCP 工具。

每個子 AI 智能體完成研究后，會進行一次最終的 LLM 調用，以撰寫對子問題的詳細回答，同時考慮其所有研究內容并引用有用的來源。這很重要，因為從工具調用反饋中收集的信息可能包含大量原始信息（例如：抓取的網頁）和無關信息（例如：失敗的工具調用或無關網站）。

??我們額外進行一次 LLM 調用，清理子 AI 智能體的研究發現，以便主管獲得干凈、處理過的信息。

如果我們將原始信息返回給主管，token 使用量可能會顯著增加，主管將不得不解析更多的 token 以找到最有用的信息。因此，我們的子 AI 智能體清理其發現并將其返回給主管。

第三、研究主管迭代

主管會判斷子 AI 智能體的發現是否足以涵蓋簡報中的工作范圍。如果主管認為需要更多深度，它可以啟動更多的子 AI 智能體進行進一步研究。隨著主管分配研究任務并反思結果，它可以靈活地識別缺失的內容，并通過后續研究填補這些空白。

3、階段三：報告撰寫

報告撰寫的目的是利用子 AI 智能體收集的上下文信息滿足研究簡報中的請求。當主管認為收集的發現足以滿足研究簡報中的請求時，我們就可以開始撰寫報告了。

為了撰寫報告，我們向 LLM 提供研究簡報以及所有子 AI 智能體返回的研究發現。這次最終的 LLM 調用將一次性生成輸出，由簡報引導并用研究發現回答。

二、Open Deep Research 關鍵技術剖析

1、僅在易于并行化的任務中使用多 AI 智能體

多 AI 智能體與單 AI 智能體是一個重要的設計考慮因素。Cognition 曾反對多 AI 智能體，因為并行工作的子 AI 智能體很難協調。如果任務（例如，構建應用程序）需要多 AI 智能體輸出協同工作，那么協調就是一個風險。

我們也從這個教訓中吸取了經驗。我們早期的研究 AI 智能體版本讓子 AI 智能體并行撰寫最終報告的各個部分。雖然速度很快，但我們遇到了 Cognition 提出的問題：報告內容脫節，因為撰寫各個部分的 AI 智能體之間協調不佳。我們通過僅在研究任務本身中使用多 AI 智能體，并在所有研究完成后進行撰寫，解決了這個問題。

??多 AI 智能體很難協調，如果并行撰寫報告的各個部分，可能會表現不佳。我們將多 AI 智能體限制在研究階段，并一次性撰寫報告。

2、多 AI 智能體有助于在子研究主題之間隔離上下文

我們的實驗表明，如果請求有多個子主題（例如，比較A、B和C），單 AI 智能體響應質量會下降。原因很簡單：單個上下文窗口需要存儲并推理所有子主題的工具反饋。這種工具反饋通常包含大量 token。隨著上下文窗口在許多不同子主題之間累積工具調用，出現了許多失敗模式，例如上下文沖突。

第一、讓我們來看一個具體的例子

“比較 OpenAI、Anthropic 和谷歌 DeepMind 對 AI 安全的方法。我想了解他們不同的哲學框架、研究重點，以及他們對對齊問題的看法?！?/p>

我們的單 AI 智能體實現使用其搜索引擎同時對每個前沿實驗室發送獨立查詢。

• “OpenAI 關于 AI 安全和對齊的哲學框架”
• “Anthropic 關于 AI 安全和對齊的哲學框架”
• “谷歌 DeepMind 關于 AI 安全和對齊的哲學框架”

搜索引擎返回了一個包含所有三個實驗室結果的長字符串。我們的單 AI 智能體對所有三個前沿實驗室的結果進行推理，并再次調用搜索引擎，提出獨立查詢。

• “DeepMind 關于社會選擇和政治哲學的聲明”
• “Anthropic 關于技術對齊挑戰的聲明”
• “OpenAI 關于遞歸獎勵建模的技術報告”

在每次工具調用迭代中，單 AI 智能體需要同時處理來自三個獨立主題的上下文。從 token 和延遲的角度來看，這是浪費。我們不需要關于 OpenAI 遞歸獎勵建模方法的 token 來幫助我們生成關于 DeepMind 對齊哲學的下一個查詢。另一個重要觀察是，處理多個主題的單 AI 智能體會自然地在選擇完成之前對每個主題進行較少的深度研究（搜索查詢次數）。一個多 AI 智能體方法允許多個子 AI 智能體并行運行，每個子 AI 智能體都致力于一個獨立的、專注的任務。將多 AI 智能體方法應用于研究可以捕捉到 Anthropic 報告的好處，并在我們自己的評估中得到突出：可以在每個子 AI 智能體中隔離子主題上下文。

??在研究過程中隔離子主題上下文可以避免各種長上下文失敗模式。

3、多 AI 智能體主管使系統能夠調整所需的研究深度

用戶不希望簡單請求需要花費10多分鐘。然而，正如 Anthropic 所展示的那樣，有些請求確實需要更高 token 使用量和延遲的研究。

主管可以通過選擇性地啟動子 AI 智能體來處理這兩種情況，調整請求所需的研究深度。主管被提示詞使用啟發式方法來判斷何時應該并行化研究，何時單線程研究就足夠了。我們的深度研究 AI 智能體具有靈活性，可以選擇是否并行化研究。

??多 AI 智能體主管允許靈活調整搜索策略。

4、上下文工程對于減少 token 膨脹和引導行為很重要

研究是一項 token 密集型任務。Anthropic 報告稱，他們的多 AI 智能體系統使用的 token 量比典型聊天應用多15倍！我們使用上下文工程來緩解這種情況。

我們將聊天歷史壓縮成一個研究簡報，以防止之前消息的 token 膨脹。子 AI 智能體在將研究發現返回給主管之前，會修剪掉無關的 token 和信息。

如果沒有足夠的上下文工程，我們的 AI 智能體很容易遇到上下文窗口限制，從長的、原始的工具調用結果中。實際上，它還可以幫助節省 token 費用，避免 TPM 模型速率限制。

??上下文工程有許多實際好處。它可以節省 token，幫助避免上下文窗口限制，并保持在模型速率限制之下。

總之，開放式深度研究（Open Deep Research）是一種高效的研究工具，通過三步流程（范圍界定、研究、報告撰寫）靈活應對復雜的研究任務。它采用多 AI 智能體架構，子 AI 智能體并行處理子任務以提高效率，同時通過上下文工程優化 token 使用，減少成本和避免模型限制。此外，該工具可根據請求動態調整研究深度，確保高質量的響應。

未來，開放式深度研究將優化 token 使用效率、評估響應質量，并探索長期記憶存儲以降低成本。用戶可通過 LangGraph Studio 本地運行或在 Open Agent Platform 上直接使用該工具，靈活滿足不同研究需求。

本文轉載自??玄姐聊AGI??  作者：玄姐