Deep Research
为什么重要
深度解析
一次 Deep Research 运行与普通聊天补全完全不同。收到提示词后，系统先把问题拆成研究计划：一组子问题、搜索查询和值得追踪的角度。接着，它进入循环——发起搜索、打开网页、阅读、决定下一条该追什么——持续几分钟到半小时不等，途中往往查阅数十个来源。中间发现不断积累在工作笔记中，最后再经过一次综合，将笔记变成带行内引用的结构化报告。底层形态更接近自主智能体的规划循环，而不是经典 RAG 的单次文档查找。
智能体循环如何运作
核心循环是计划、搜索、阅读、重新评估。每读完一批网页，模型都会更新理解，再根据还缺什么、哪些来源互相矛盾、哪些主张需要第二次确认，挑选下一轮查询。它与经典 RAG 的分水岭就在这里：检索不是一次性查找，而是由模型自行操控的迭代过程。浏览通过工具使用完成——搜索、打开网页，有时还有代码执行工具——而智能体读过的一切都必须装进上下文窗口，因此这类系统会积极把页面蒸馏成笔记，不会囤积原始文本。
推理模型如何改变局面
直到模型能够撑过漫长工作链、又不丢掉主线，Deep Research 才真正可行。一次运行可能跨越几十轮搜索与阅读，所以底层模型必须记住计划、追踪开放问题，并在新来源与早先假设冲突时察觉出来。OpenAI 版本由一款在真实浏览任务上通过强化学习微调的推理模型驱动，竞品也都依靠自家有推理能力的旗舰。实际上，Deep Research 就是花在搜索上的测试时计算：系统用几分钟的推理与浏览，换取任何一次前向传播都产不出的答案。
有引用不等于有保证
带行内链接的精美报告很容易让人过度信任，这正是主要失败模式。引用只能说明模型打开过一页，不能说明那一页真的支持报告中的主张；引用与主张错配非常常见，所以抽查仍不可少。系统还会继承开放网络的偏差：SEO 驱动的内容、过时网页和营销材料，与第一手来源一样得到耐心阅读；付费墙后或未被索引的材料则完全不可见。和所有生成器一样，模型仍可能产生幻觉细节，也可能用听起来合理的综合悄悄糊住证据空白。把输出当作一名速度极快的研究助理交来的优秀初稿，不要当成已经完成事实核查的最终交付物。
市场版图与衡量方式
Gemini 于 2024 年 12 月率先推出 Deep Research；OpenAI 2025 年 2 月的发布起初只对最高价订阅档开放，并设有每月运行额度，正是它让这个类别成型。短短几个月内，Perplexity 为答案引擎加入同类功能，xAI 则在 Grok 中发布 DeepSearch。访问范围迅速扩大，到 2025 年中，大多数主流助手都已提供某种多步研究模式。开源复刻也同步出现，通常是在智能体外壳中把搜索 API 接到推理模型上。
衡量这些系统比搭建它们还难。早期引用最多的结果来自 Humanity's Last Exam，这是一项横跨许多学科的专家级问题基准；OpenAI 的 Deep Research 答对约四分之一，远超当时标准聊天模型的个位数成绩。供应商也报告了 GAIA 上的强势结果，这是一项面向智能体助手的基准测试。不过，两项基准都无法直接捕捉报告质量：引用精度、来源多样性和对人类读者的实用性，仍然主要靠人手判断，独立评估也还很少。