这是什么
Deep Research agent 指用 LLM 做多轮、长程信息调研并产出结构化报告的自主系统——OpenAI Deep Research、Gemini DR、Kimi-Researcher 属于这一类,开源侧则有 WebThinker、DeepResearcher、Search-R1 等一大批工作。2025 年上半年这个子领域爆发式增长(论文的 timeline 图里 2025 年每个月都有 5-10 个新系统),但缺一篇把概念边界、架构谱系、评测现状讲清楚的综述。
这篇是该子领域第一批系统综述之一(2025-06 v1,2025-09 v2),核心贡献是一套分类框架:信息获取分 API 检索 vs 浏览器探索;工具使用覆盖代码执行、多模态、MCP;workflow 分 static(人工预定义流水线)与 dynamic(planning-only / intent-to-planning / unified intent-planning 三种规划策略 × single-agent / multi-agent 两种组织方式);能力增强分 prompt、SFT、RL、以及非参数持续学习(case-based reasoning)。附带一个 awesome-deep-research-agent 仓库(637 stars)维护论文清单和逐系统对比表。
机制与做法
分类学:static vs dynamic workflow 是主轴
论文把 DR 系统按 workflow 是否由人预先固定分为两类:static workflow(Agent Laboratory、AI Scientist、AgentRxiv 等,流水线人工设计、agent 角色固定,简单但换任务要重设计)和 dynamic workflow(由 LLM 在线规划)。dynamic 再按'是否澄清用户意图'细分三档:planning-only(Grok DeepSearch、Manus,拿到 query 直接规划)、intent-to-planning(OpenAI DR,先反问澄清再规划)、unified intent-planning(Gemini DR,先出计划让用户确认修改)。执行侧则分 single-agent(一个强 LRM 全包规划+工具+写报告)与 multi-agent(搜索/数据分析/写作等专职 agent 由规划器调度)。
值得注意的是它把 AI Scientist、Agent Laboratory、AgentRxiv 这类自动科研系统也纳入 DR 范畴(归为 static workflow),即它对 DR 的定义比'联网写调研报告'更宽,基本等于'多步检索+工具+报告生成'的自主系统。
调优与非参数持续学习
能力增强一章从 prompt-based 讲到 SFT 再到 RL(Search-R1、R1-Searcher、ReSearch、DeepResearcher 这条 RL+检索的线),并给出各系统在 HotpotQA/2Wiki/NQ/TriviaQA/GPQA 上的成绩汇总表(如 DeepResearcher 在 NQ 61.9 / TriviaQA 85.0,Grok DeepSearch GPQA 84.6)。
单独设了一节'非参数持续学习',主推 case-based reasoning:agent 不改权重,靠检索复用外部 case bank 里的结构化轨迹在线适应,例子有 DS-Agent、Agent K、AgentRxiv(把共享 preprint 服务器视为集中式 case bank)、Alita(运行时按需配置新 MCP server)。这一节与本站 RSI / continual learning 方向直接相关。
评测批判与路线图
Benchmark 一章的批判比较到位:现有评测大量沿用 Wikipedia 来源的静态 QA(HotpotQA 等),这些内容已进模型参数,强模型可以'背答案'绕过检索流程,虚高成绩;且指标几乎只测检索抽取,不测 DR 的定义性产出——带表格/图/引用的结构化长报告。它点名 BrowseComp 是正确方向(过滤掉参数知识可解的题),并呼吁持续刷新的 leaderboard 和端到端报告评测。
路线图部分列了六个方向:经 MCP 打通私有数据源 + AI-native browser(Browserbase、Browser Use、Comet)、结构化事实核查循环、DAG 化异步并行执行、tool-integrated reasoning 的 RL 训练、多 agent 架构的端到端参数优化(HRL / RL 调度器)、以及自进化 agent(CBR + workflow 演化)。多为方向性论述,无实验支撑,按提案读即可。
关键结果
- 提出 static/dynamic workflow × single/multi-agent 的 DR 分类学,系统对比约 50 个学界与工业系统(检索方式、工具能力、base model、评测集逐一列表)。
- QA 成绩汇总:DeepResearcher(Qwen2.5-7B-Inst)NQ 61.9 / TriviaQA 85.0,SimpleDeepSearcher HotpotQA 73.5,Grok DeepSearch GPQA 84.6,Search-o1 2Wiki 71.4。
- 指出现有 benchmark 双重错位:静态 QA 可被参数知识'背答案';指标不覆盖结构化报告生成——这一判断在后来 DeepResearch Bench 等工作中得到印证。
- 工业系统(OpenAI/Gemini/Perplexity/Grok/Copilot/Qwen/Kimi)逐个分析实现路径,认为端到端 RL(OpenAI DR 路线)是能力上限最高的路径,但目前基本限于 single-agent。
- v2(2025-09)较 v1 扩充了非参数持续学习(CBR)一节和更多 2025 年 6-8 月系统(WebSailor、WebShaper、TTD-DR、Cognitive Kernel-Pro 等)。
实证核查
与我们方向的关系
对课题组的定位是 autoresearch / deep-research 子方向的【入口地图】:开始接触 DR agent 时先读它的第 3 章分类学和第 6 章 benchmark 批判,建立'检索方式 × workflow × 调优方法'三轴坐标,再按坐标去读站内具体条目——工业系统对照 introducing-deep-research-openai,开源复现对照 langchain-open-deep-research / smolagents-open-deep-research / gpt-researcher,评测对照 deepresearch-bench。注意它的坐标停在 2025-09,之后的进展(如 tongyi-deepresearch-technical-report)要靠站内条目自行补齐;它漏掉的学术检索一支(OpenScholar/PaSa/PaperQA2)也在站内,读的时候把这两块补进它的地图。
两处内容与本组其他方向有交叉:'非参数持续学习'一节(CBR、AgentRxiv 共享 case bank、Alita 运行时扩展 MCP 工具)是 continual learning / RSI 视角下看 DR agent 的现成素材;路线图里 DAG 并行执行、RL 调度器、多 agent 端到端训练三条,可以当作选题时的 gap 清单——截至其成稿这些方向都还没有强 baseline。