Deep Research（深度研究智能体）

一句话定义

Deep Research 指的是让大模型自己跑完一整段研究流程的智能体：你只丢一句话，它自己把问题拆成子问题，反复搜索、阅读、核对、补漏，最后写出一份有结构、带引用的报告。你中途不用管它。

它是怎么跑起来的

打个比方，三种东西的区别就像三种「查资料」方式：

• 单轮联网搜索：你在地铁上掏手机搜一下，看一眼摘要就完事。
• 传统 RAG（AI 词典：检索增强生成">检索增强生成）：同事递给你一沓资料，你照着这沓资料写答案。资料是别人事先放好的，你只负责读。
• Deep Research：你把一个实习生关进图书室，说「帮我摸清东南亚电商的支付格局」，然后下班走人。他自己决定先看哪本书、哪些说法互相打架要回去重查、什么时候算查够了，回来给你一份报告。

关键在循环。一个典型的长时程 Agent 循环是：规划 → 检索 → 阅读抽取 → 反思 → 再规划。规划阶段把大问题拆成「监管、支付、物流、玩家份额」等子问题；检索阶段调用搜索、浏览器、API；阅读阶段把网页切块、筛出真正有用的段落；反思阶段问自己「缺口在哪、有没有矛盾证据、够不够下结论」。不够就回到规划，再来一轮。

这个循环里有个隐形的主角：上下文管理。跑几十轮之后，原始网页早就装不下了，所以系统要把中间结论写成「笔记」（外部记忆），只把压缩后的要点和引用带回下一轮。不做好这件事，Agent 跑到第十轮就开始失忆和跑偏。

它的停止条件也很朴素：要么模型自认为证据够了，要么预算（轮数、token、时间）用光。

和单轮搜索、传统 RAG 差在哪

本质区别是：检索在 RAG 里是「回答之前的一道工序」，在 Deep Research 里是「模型可以反复调用的动作」。前者决定了模型只能整合被喂进来的东西；后者让模型能自己发现「我刚才那个假设是错的」，然后回头换一条路。

举个例子：同样是问「对比几家云厂商的向量数据库方案」，单轮搜索给你几条链接摘要，RAG 需要先有人把文档喂进去，而 Deep Research 会自己翻文档页、定价页、更新日志，遇到某家产品线调整就绕回去重查。

成本结构：为什么它又慢又贵

普通问答的成本大致随回答长度线性增长；Deep Research 不是。每一轮循环都要把前面积累的上下文重新送进模型，输入 token 被反复计费，再叠加搜索调用、网页抓取、并发调度。轮数一多，成本增长比轮数快得多。所以市面上的产品普遍不用「按次问答」计价，而是按任务、按额度或按订阅档位，具体规则以各产品的官方页面为准。

真正的浪费往往不是 token 单价，而是方向错了还在跑：让它研究一个伪命题，它会忠实地查四十轮再交一份没人看的报告。

对从业者和普通人意味着什么

对从业者：把它当成可以并行的初级分析师，适合调研初稿、竞品扫描、文献综述、市场盘点这类「翻很多页才能下结论」的活；不适合高频、低延迟、答案唯一的问题。验收时要看引用是否真的支持结论、有没有漏掉关键来源，而不只是看文笔顺畅。上线前最好加来源白名单、预算上限和人工复核环节。

对普通人：它可以帮你做买房区域对比、旅行规划、条款比对这种需要横跨很多页面的功课。但请保留一个习惯——抽查它的引用。长流程里最容易出的错，是把不确定的推断写得像既定事实。