热点头条|深度解析一种新的自主 AI 系统:Deep Research AI 代理
作者：微信文章有一类新的自主 AI 系统，称为深度研究 （DR） 代理。这些代理旨在通过利用动态推理、自适应长期规划、多跳信息检索、迭代工具使用和结构化分析报告的生成的组合来处理复杂的多轮次信息研究任务。在一篇论文中，研究人员对构成 Deep Research 代理的基础技术和架构组件进行了详细分析。
他们首先回顾信息获取策略，将基于 API 的检索方法与基于浏览器的探索进行对比。然后，我们研究了模块化工具使用框架，包括代码执行、多模态输入处理和模型上下文协议 （MCP） 的集成，以支持可扩展性和生态系统开发。为了将现有方法系统化，他们提出了一种区分静态和动态工作流程的分类法，并根据规划策略和代理组合对代理架构进行分类，包括单代理和多代理配置。
它们对当前基准进行了批判性评估，突出了关键限制，例如对外部知识的访问受限、顺序执行效率低下以及评估指标与 DR 代理的实际目标之间的不一致。最后，他们概述了未来研究的开放挑战和有希望的方向。
基于 API 的检索是一种快速、高效、结构化且可扩展的方法，它允许 DR 代理以相对较少的时间和计算成本访问外部知识源。例如，Gemini DR 利用多源接口（最著名的是 Google Search API 和 arXiv API）在成百上千个网页上执行大规模检索，从而显著扩大了其信息覆盖范围。Grok DeepSearch 声称，通过新闻媒体源、维基百科 API 和 X 的本机界面维护连续索引，并按需激活查询驱动代理以生成目标子查询并实时获取相关页面，从而确保其知识库的新鲜度和深度。
基于浏览器的检索通过模拟的类人浏览器交互，为 DR 代理提供了对多模式和非结构化 Web 内容的动态、灵活和交互式访问。例如，Manus AI 的浏览代理为每个研究会话运行一个沙盒 Chromium 实例，以编程方式打开新选项卡、发出搜索查询、单击结果链接、滚动页面直到满足内容阈值、必要时填写表单元素、执行页面内 JavaScript 以显示延迟加载的部分，以及下载文件或 PDF 进行本地分析。尽管 OpenAI DR、Grok DeepSearch 和 Gemini 2.5 DR 没有公开披露其浏览功能的实现细节，但它们处理交互式小部件、动态呈现的内容和多步骤导航的能力强烈表明，它们也在幕后使用了类似的无头浏览器框架。
工具使用：为代理提供扩展功能
为了扩展 DR 代理在复杂研究任务中与外部环境交互的能力，特别是通过主动调用和处理各种工具和数据源，各种 DR 代理引入了三个核心工具模块：
代码解释器、数据分析、多模态处理以及模型上下文协议。
代码解释器。代码解释器功能使 DR 代理能够在推理期间执行脚本，从而允许它们执行数据处理、算法验证和模型模拟。大多数 DR 代理（CoSearchAgent 除外）都嵌入了脚本执行环境。它们通常依靠 Python 实用程序（如 Aider 和 Java 实用程序）来编排动态脚本、进行文献驱动的分析并执行实时计算推理。
数据分析。通过集成数据分析模块，DR 代理通过计算摘要统计数据、生成交互式可视化和进行定量模型评估，将原始检索转化为结构化见解，从而加速假设检验和决策。许多商业 DR 代理已经在本地或通过远程服务实施了分析功能，例如图表、表格生成和统计分析。但是，这些系统中的大多数尚未公开披露其实现的技术细节。相比之下，学术研究通常提供具体的例子：CoSearchAgent 将基于 SQL 的查询集成到团队通信平台中，以运行汇总分析并生成报告;AutoGLM 直接从基于表格的 Web 界面中提取和分析结构化数据集;Search-o1 的 Reason-in-Documents 组件在提取关键指标进行下游评估之前，会细化冗长的检索文本。
多模态处理和生成。多模态处理和生成工具使 DR 代理能够在统一的推理管道中集成、分析和生成异构数据，例如文本、图像、音频和视频，从而丰富其上下文理解并扩大其输出范围。只有一部分成熟的商业和开源项目，例如 Manus、OWL、AutoAgent、AutoGLM、OpenAI、Gemini、Perplexity 和 Grok DeepSearch，支持此功能，而大多数学术原型尚未实现它，这通常是由于计算成本高。作为典型的开源研究，OWL 和 Openmanus 扩展了他们的管道，包括与 GitHub、Notion 和 Google Maps 等平台的交互，并利用 Sympy 和 Excel 等数字库进行组合数据分析和多模态媒体处理。
使用计算机的深度研究代理。最近，通过集成计算机辅助任务执行功能（即计算机使用），DR 代理的边界逐渐扩大。例如，智普 AI 引入了 AutoGLM Rumination，这是一个基于 RL 的系统，结合了自我反射和迭代细化机制，可显着增强多步推理和高级函数调用能力。具体来说，AutoGLM Rumination 可以自主地与 Web 环境交互、执行代码、调用外部 API，并有效地完成复杂的任务，包括数据检索、分析和结构化生成综合报告。
与 OpenAI 的 DR 比较：OpenAI DR 主要关注复杂的推理和信息检索，而 AutoGLM Rumination 在实际执行中表现出卓越的自主性。这种增强的自主性使其能够将抽象的分析见解转化为具体的作任务，例如与 Web界面的自动交互和实时数据处理。此外，AutoGLM Rumination 通过将高级推理功能与基于浏览器的真实交互无缝集成，解决模拟浏览环境中固有的限制。因此，代理可以可靠地访问用户身份验证的资源，包括 CNKI、小红书和微信公众号等平台。这种集成显着提高了代理在信息获取和执行实际任务方面的自主性和适应性。
非参数持续学习方法，尤其是基于案例的推理 （CBR），目前是 LLM 驱动的代理系统中的主流方法。基于 CBR 的方法使代理能够动态地从外部案例库中检索、调整和重用结构化的问题解决轨迹。与依赖于静态数据库的传统基于 RAG 的方法不同，CBR 有助于在线上下文适应和有效的任务级泛化。这种灵活性凸显了它作为具有复杂架构的 DR 代理的可扩展且实用的优化解决方案的潜力。DS-Agent 是一个开创性的 LLM 驱动代理，它将 CBR 引入自动化数据科学工作流程，采用从构建的案例库中进行近似在线检索。同样，LAM 将 CBR 技术应用于功能测试生成，在模块化系统设计中将轨迹级检索与 LLM 规划相结合。
LLM 驱动的 DR 代理系统中的自我进化范式为结构化推理和动态检索提供了巨大的前景，并为高效的知识重用和持续学习开辟了新的途径。尽管这些方法尚未得到广泛关注，但它们解决了基于参数的方法固有的高数据和计算需求，因此代表了未来研究和实际部署的一个有吸引力的方向。
为了充分实现 DR 代理中自我进化的潜力，未来的研究应该沿着两个互补的方向扩展自我进化方法
（i） 全面的基于案例的推理框架。基于案例的推理方法利用分层体验跟踪，包括规划轨迹和结构化工具调用日志，并采用高级检索和选择机制来实现精细的、特定于上下文的适应。
（ii） 自主工作流程的演变有望提高效率和灵活性。通过将代理工作流表示为可变结构（如树或图形），研究人员可以应用进化算法或自适应图形优化来动态探索、修改和完善执行计划。同时追求这两个方向将加强框架的稳健性，并减少对数据和计算资源的依赖。
结论
LLM 驱动的 Deep Research Agent 代表了自动化研究支持的新兴范式，集成了迭代信息检索、长篇内容生成、自主规划和复杂工具利用等先进技术。在这项调查中，我们系统地回顾了 DR 代理的最新进展，从信息检索和报告生成的角度将现有方法分为基于提示、基于微调和基于强化学习的方法。非参数方法利用 LLM 和精心设计的提示来实现高效且具有成本效益的部署，使其适用于快速原型设计。相比之下，微调和强化学习方法显式优化了模型参数，显著提高了智能体的推理和决策能力。
来源：人工智能学家
页:
[1]