前言

Deep Research 已经成为最受欢迎的 AI 智能体应用之一。OpenAI、Anthropic、Perplexity 和谷歌都推出了 Deep Research 产品，这些产品能够利用各种上下文生成全面的报告。此外，还有很多开源的实现版本。

LangChain 官方 基于 LangGraph 开发了一个简单且可配置的 Open Deep Research（以下简称：开放式深度研究） 智能体，允许用户使用自己的大模型、搜索引擎和 MCP Servers。

Research 是一项开放性任务，很难提前知道回答用户请求的最佳策略。不同的请求可能需要不同的研究策略和不同程度的搜索深度。

例如：

• “比较这两种产品”：比较通常需要分别搜索每种产品，然后进行综合比较。
• “找出这个职位的前20名候选人”：列出和排名的请求通常需要开放式搜索，然后进行综合和排名。
• “X 是真的吗？”：验证性问题可能需要对特定领域进行迭代深度研究，此时信息来源的质量比搜索的广度更重要。

鉴于这些情况，开放式深度研究的一个关键设计理念是灵活性，能够根据不同请求探索不同的 Reseach 策略。

下文我们详细剖析之，

1、Open Deep Research 架构设计剖析

Research 非常适合 AI 智能体架构设计，因为它们可以灵活地应用不同的策略，利用中间结果指导探索过程。开放式深度研究使用 AI 智能体架构，并按照三步流程进行研究：

• 范围界定：澄清研究范围；
• 研究：进行研究；
• 撰写：生成最终报告。

1、阶段一：范围界定设计

范围界定的目的是收集研究所需的所有用户上下文信息。这是一个包含用户澄清和简报生成的两步流程。

第一、用户澄清

OpenAI 指出，用户在研究请求中很少提供足够的上下文信息。我们使用聊天模型在必要时询问额外的上下文信息。

第二、简报生成

聊天互动可能包括澄清问题、后续问题或用户提供的示例（例如，之前的深度研究报告）。由于这种互动可能非常冗长且包含大量 token，我们将这些互动转化为一个全面但聚焦的研究简报。研究简报是我们成功的指南，我们会在研究和撰写阶段不断参考它。

💡我们将研究人员与用户的聊天互动转化为一个聚焦的研究简报，供研究主管对照衡量。

2、阶段二：研究

研究的目标是收集研究简报中请求的上下文信息。我们使用一个主管 AI 智能体进行研究。

第一、研究主管

主管的工作很简单：将研究任务分配给适当数量的子 AI 智能体。主管会判断研究简报是否可以分解为独立的子主题，并将这些子主题分配给子 AI 智能体，每个子 AI 智能体都有独立的上下文窗口。这很有用，因为它允许系统并行化研究工作，更快地找到更多信息。

第二、研究子 AI 智能体

每个研究子 AI 智能体会从主管那里获得一个子主题。子 AI 智能体只专注于特定主题，而不必担心整个研究简报的范围——那是主管的工作。每个子 AI 智能体通过工具调用循环进行研究，利用用户配置的搜索引擎和/或MCP 工具。

每个子 AI 智能体完成研究后，会进行一次最终的 LLM 调用，以撰写对子问题的详细回答，同时考虑其所有研究内容并引用有用的来源。这很重要，因为从工具调用反馈中收集的信息可能包含大量原始信息（例如：抓取的网页）和无关信息（例如：失败的工具调用或无关网站）。

💡我们额外进行一次 LLM 调用，清理子 AI 智能体的研究发现，以便主管获得干净、处理过的信息。

如果我们将原始信息返回给主管，token 使用量可能会显著增加，主管将不得不解析更多的 token 以找到最有用的信息。因此，我们的子 AI 智能体清理其发现并将其返回给主管。

第三、研究主管迭代

主管会判断子 AI 智能体的发现是否足以涵盖简报中的工作范围。如果主管认为需要更多深度，它可以启动更多的子 AI 智能体进行进一步研究。随着主管分配研究任务并反思结果，它可以灵活地识别缺失的内容，并通过后续研究填补这些空白。

3、阶段三：报告撰写

报告撰写的目的是利用子 AI 智能体收集的上下文信息满足研究简报中的请求。当主管认为收集的发现足以满足研究简报中的请求时，我们就可以开始撰写报告了。

为了撰写报告，我们向 LLM 提供研究简报以及所有子 AI 智能体返回的研究发现。这次最终的 LLM 调用将一次性生成输出，由简报引导并用研究发现回答。

2、Open Deep Research 关键技术剖析

1、仅在易于并行化的任务中使用多 AI 智能体

多 AI 智能体与单 AI 智能体是一个重要的设计考虑因素。Cognition 曾反对多 AI 智能体，因为并行工作的子 AI 智能体很难协调。如果任务（例如，构建应用程序）需要多 AI 智能体输出协同工作，那么协调就是一个风险。

我们也从这个教训中吸取了经验。我们早期的研究 AI 智能体版本让子 AI 智能体并行撰写最终报告的各个部分。虽然速度很快，但我们遇到了 Cognition 提出的问题：报告内容脱节，因为撰写各个部分的 AI 智能体之间协调不佳。我们通过仅在研究任务本身中使用多 AI 智能体，并在所有研究完成后进行撰写，解决了这个问题。

💡多 AI 智能体很难协调，如果并行撰写报告的各个部分，可能会表现不佳。我们将多 AI 智能体限制在研究阶段，并一次性撰写报告。

2、多 AI 智能体有助于在子研究主题之间隔离上下文

我们的实验表明，如果请求有多个子主题（例如，比较A、B和C），单 AI 智能体响应质量会下降。原因很简单：单个上下文窗口需要存储并推理所有子主题的工具反馈。这种工具反馈通常包含大量 token。随着上下文窗口在许多不同子主题之间累积工具调用，出现了许多失败模式，例如上下文冲突。

第一、让我们来看一个具体的例子

“比较 OpenAI、Anthropic 和谷歌 DeepMind 对 AI 安全的方法。我想了解他们不同的哲学框架、研究重点，以及他们对对齐问题的看法。”

我们的单 AI 智能体实现使用其搜索引擎同时对每个前沿实验室发送独立查询。

• “OpenAI 关于 AI 安全和对齐的哲学框架”
• “Anthropic 关于 AI 安全和对齐的哲学框架”
• “谷歌 DeepMind 关于 AI 安全和对齐的哲学框架”

搜索引擎返回了一个包含所有三个实验室结果的长字符串。我们的单 AI 智能体对所有三个前沿实验室的结果进行推理，并再次调用搜索引擎，提出独立查询。

• “DeepMind 关于社会选择和政治哲学的声明”
• “Anthropic 关于技术对齐挑战的声明”
• “OpenAI 关于递归奖励建模的技术报告”

在每次工具调用迭代中，单 AI 智能体需要同时处理来自三个独立主题的上下文。从 token 和延迟的角度来看，这是浪费。我们不需要关于 OpenAI 递归奖励建模方法的 token 来帮助我们生成关于 DeepMind 对齐哲学的下一个查询。另一个重要观察是，处理多个主题的单 AI 智能体会自然地在选择完成之前对每个主题进行较少的深度研究（搜索查询次数）。一个多 AI 智能体方法允许多个子 AI 智能体并行运行，每个子 AI 智能体都致力于一个独立的、专注的任务。将多 AI 智能体方法应用于研究可以捕捉到 Anthropic 报告的好处，并在我们自己的评估中得到突出：可以在每个子 AI 智能体中隔离子主题上下文。

💡在研究过程中隔离子主题上下文可以避免各种长上下文失败模式。

3、多 AI 智能体主管使系统能够调整所需的研究深度

用户不希望简单请求需要花费10多分钟。然而，正如 Anthropic 所展示的那样，有些请求确实需要更高 token 使用量和延迟的研究。

主管可以通过选择性地启动子 AI 智能体来处理这两种情况，调整请求所需的研究深度。主管被提示词使用启发式方法来判断何时应该并行化研究，何时单线程研究就足够了。我们的深度研究 AI 智能体具有灵活性，可以选择是否并行化研究。

💡多 AI 智能体主管允许灵活调整搜索策略。

4、上下文工程对于减少 token 膨胀和引导行为很重要

研究是一项 token 密集型任务。Anthropic 报告称，他们的多 AI 智能体系统使用的 token 量比典型聊天应用多15倍！我们使用上下文工程来缓解这种情况。

我们将聊天历史压缩成一个研究简报，以防止之前消息的 token 膨胀。子 AI 智能体在将研究发现返回给主管之前，会修剪掉无关的 token 和信息。

如果没有足够的上下文工程，我们的 AI 智能体很容易遇到上下文窗口限制，从长的、原始的工具调用结果中。实际上，它还可以帮助节省 token 费用，避免 TPM 模型速率限制。

💡上下文工程有许多实际好处。它可以节省 token，帮助避免上下文窗口限制，并保持在模型速率限制之下。

总之，开放式深度研究（Open Deep Research）是一种高效的研究工具，通过三步流程（范围界定、研究、报告撰写）灵活应对复杂的研究任务。它采用多 AI 智能体架构，子 AI 智能体并行处理子任务以提高效率，同时通过上下文工程优化 token 使用，减少成本和避免模型限制。此外，该工具可根据请求动态调整研究深度，确保高质量的响应。

未来，开放式深度研究将优化 token 使用效率、评估响应质量，并探索长期记忆存储以降低成本。用户可通过 LangGraph Studio 本地运行或在 Open Agent Platform 上直接使用该工具，灵活满足不同研究需求。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】