[博客翻译]深度研究、深入研究和深入研究之间的区别

由 发布于 深度研究人工智能报告生成技术实现竞争格局
 收藏

原文地址：https://leehanchung.github.io/blogs/2025/02/26/deep-research/


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：

  1. 分解用户查询：有时使用“回退提示法”（step back prompting）创建报告大纲。
  2. 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。
  3. 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。

DAG 流程图

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：

FSM 流程图

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：

STORM 流程图

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：

大型推理模型流程图

谷歌的Gemini和Perplexity的聊天助手也提供了“深度研究”功能，但两者均未公开如何优化模型或系统的文献资料，也没有进行实质性定量评估。不过，谷歌深度研究的产品经理在一次播客采访中提到：“我们有一些特殊权限。基本上还是同一个模型（Gemini 1.5），当然我们也做了些后续训练工作。”我们可以假设这些微调工作并不显著。

相比之下，xAI的Grok在报告生成方面表现出色，尽管其搜索通常不超过两次迭代——大纲部分几次，每部分内容再分别搜索几次。

竞争格局

我们绘制了一个概念地图，用于评估多种热门服务的深度研究能力。纵轴表示研究深度，定义为基于先前结果进行额外信息收集的迭代次数；横轴则评估训练水平，从手动调优的系统（如手工设计提示）到完全基于机器学习技术的训练系统。

以下是一些训练系统的示例：

  • OpenAI深度研究：通过强化学习专门优化以满足研究任务需求。
  • DeepSeek：训练用于通用推理和工具使用，适应研究需求。
  • 谷歌Gemini：指令微调的大语言模型（LLMs），训练广泛但未专为研究优化。
  • 斯坦福STORM：一个训练以端到端简化整个研究过程的系统。

这个框架突出了不同服务在研究深度和训练复杂度之间的平衡，有助于更清晰地了解它们在深度研究方面的优势。

竞争格局图

结论

深度研究领域正以前所未有的速度发展。那些六个月前失败或未广泛推广的技术现在可能已取得成功。然而，命名规则仍不明晰，进一步加剧了混乱局面。希望本文能够帮助您澄清这些技术差异，摆脱营销术语的困扰。

参考资料

  • Shao, Yijia et al. (2024). Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models. arXiv:2402.14207
  • OpenAI (2025). Deep Research System Card. PDF
  • GPT Researcher. GitHub Repository
  • Jina AI. A practical guide to implementing DeepSearch/DeepResearch. Link
  • Latent Space. The inventors of deep research. Link

作者简介：
韩乐（Hanchung Lee），专注于机器学习工程、复合AI系统、搜索与信息检索以及推荐系统。他曾在多个初创企业和企业级项目中深入探索机器学习、大语言模型代理及数据科学应用。