深度研究的不同之处：解析深度研究的三种形态
在人工智能前沿实验室中，最近掀起了一股“深度研究（Deep Research）”的浪潮。2024年12月，谷歌发布了其Gemini 1.5深度研究模型；2025年2月，OpenAI紧随其后推出了自己的深度研究系统；Perplexity也在不久之后推出了其版本的深度研究功能。与此同时，DeepSeek、阿里巴巴的通义千问（Qwen）以及埃隆·马斯克的xAI也为其聊天机器人助手推出了搜索和深度搜索功能。此外，在GitHub上还涌现了数十个模仿这些功能的开源实现。这似乎表明，“深度研究”已经成为2025年的“检索增强生成（RAG）”，一切都被重新包装并贴上了“深度研究”的标签，但其具体内涵却并不明确。
这种现象听起来熟悉吗？它让人联想到2023年RAG的炒作热潮，以及近几个月关于代理（agents）和代理型RAG的关注。为了拨开迷雾，本文从技术实现的角度剖析各种形式的“深度研究”。
深度研究、深度搜索还是仅仅是搜索？
以下是几家主要公司对深度研究的定义：
- 谷歌：“深度研究利用人工智能为你探索复杂主题，并提供一份全面且易于阅读的报告。这是Gemini在处理复杂任务方面变得更好的初步展示，能够为你节省时间。”
- OpenAI：“深度研究是OpenAI的下一个代理工具，它能够独立完成工作。你只需给它一个提示，ChatGPT就会查找、分析并整合数百个在线资源，生成相当于研究分析师水平的详细报告。”
- Perplexity：“当你提出一个深度研究问题时，Perplexity会执行数十次搜索，阅读数百个来源，并通过对材料的推理自主生成一份全面的报告。”
去除营销术语后，深度研究的简洁定义为：
“深度研究是一种报告生成系统，它接受用户的查询，使用大型语言模型（LLMs）作为代理迭代搜索和分析信息，最终生成一份详细的报告作为输出。”
在自然语言处理（NLP）领域，这一过程被称为“报告生成”。
技术实现方式
自ChatGPT发布以来，报告生成（或称为“深度研究”）一直是人工智能工程领域的焦点。我自己在2023年初的黑客松活动中也进行过相关实验，当时人工智能工程刚刚起步。LangChain、AutoGPT、GPT-Researcher等工具以及无数次在Twitter和LinkedIn上的演示引起了广泛关注。然而，真正的挑战在于实现细节。以下我们将探讨常见的报告生成系统构建模式，指出它们之间的差异，并对不同厂商的产品进行分类。
未训练方法：有向无环图（DAG）
早期，人工智能工程师发现直接让像GPT-3.5这样的大模型从头生成报告并不现实。因此，他们采用了复合模式（Composite Patterns），将多个大模型调用串联起来形成流程。
典型步骤如下：
- 分解用户查询：有时使用“回退提示法”（step back prompting）创建报告大纲。
- 信息检索与摘要：针对每个部分，从搜索引擎或知识库中检索相关信息并进行总结。
- 生成连贯报告：最后，利用大模型将各部分缝合成一份完整的报告。
一个典型的例子是GPT-Researcher。在这种系统中，每个提示都经过精心的手动调整（即“提示工程”）。评估完全依赖于主观判断，导致报告质量参差不齐。
虽然这种方法效果不错，但其一致性和可靠性仍有待提高。
未训练方法：有限状态机（FSM）
为了提升报告质量，工程师们在DAG基础上增加了复杂性，引入了如“反思”（reflexion）和“自我反思”机制，让大模型审查并优化自身输出。这种方式将简单的DAG转变为有限状态机（FSM），大模型在一定程度上指导状态转换。
例如，Jina.ai的一个示意图很好地展示了这一方法：
与DAG方法类似，FSM中的每个提示也需要手动设计，评估仍然主观化，系统质量因手调参数而波动较大。
训练方法：端到端
为解决前两种方法中提示工程混乱且缺乏可衡量评估标准的问题，研究人员尝试转向端到端优化。斯坦福大学的STORM项目[Shao et al, 2024]通过DSPy[Khattab et al, 2023]实现了这一目标。
以下是STORM的流程示意图：
结果显示，STORM生成的报告质量接近维基百科文章水平。
训练方法：大型推理模型
随着大模型推理能力的提升，大规模推理模型成为深度研究的一种有力选择。例如，OpenAI描述了其深度研究模型的训练过程，其中包括使用“大模型作为评判员”[LLM-as-a-judge]和评分标准来评估输出质量。
以下是其流程示意图：
