Deep Research综述：从自主搜索到全栈AI科学家的演进与未来挑战

深度研究（Deep Research）推动人工智能（AI）系统跨越式发展，使其从单纯的“文本生成”能力跃升至“知识发现”层面，从而能够处理各种复杂的开放式任务。

现阶段，Deep Research已渗透至文本创作、科学研究、软件开发等诸多领域，助力用户轻松完成学术综述撰写、会议海报设计、PPT制作、科研课题构思、实验操作与论文写作，以及地球观测分析、软件库补全等多样化任务。

不过，Deep Research仍处于发展初期，业界尚未形成对其发展路线图、核心组件、实践方法、主要挑战与未来趋势的系统性梳理。

近日，山东大学、中国人民大学与清华大学的研究团队联合发布了一篇综述论文，全面回顾了Deep Research的演进历程与未来展望，为智能体（Agentic）研究范式奠定了理论基础。

论文链接：https://arxiv.org/abs/2512.02038

Deep Research的概念与发展阶段

Deep Research为大语言模型（LLM）提供了一个完整的研究工作流，使其能够以智能代理的形式，在极少人工介入的情况下生成逻辑连贯且来源可溯的研究报告。在具体实践中，Deep Research系统的LLM代理首先规划研究问题，随后从多种异构数据源中搜集并筛选相关信息，动态维护工作记忆，最终产出经过验证并清晰标注来源的答案。

研究者将Deep Research的能力演进划分为三个核心阶段，每个阶段均代表着能力的跃升。

第一阶段：自主搜索（Agentic Search）——聚焦于自动化信息搜寻，旨在精准定位可靠信源，生成简洁且引证清晰的答复，突出检索的精确度与高效性。

第二阶段：整合研究（Integrated Research）——能够将多方证据融合为条理清晰、结构完整的报告，妥善处理信息矛盾与不确定性，为长期任务与决策提供支撑。

第三阶段：全栈AI科学家（Full-stack AI Scientist）——不仅具备证据整合能力，还能自主提出假设、设计并执行实验、批判既有观点并开拓新思路，致力于实现科学发现的新颖性、深刻见解与可复现结论。

总体而言，这三个阶段完整勾勒出Deep Research系统从基础信息检索，到深度综合分析，最终迈向尖端科学研究的能力进化轨迹。

Deep Research的核心构成要素

Deep Research系统本质上是一个闭环工作流：它接受复杂问题作为输入，通过迭代式的分析、资料查阅与信息整合，最终以长篇报告或文档形式输出结构化答案。

该流程包含四个核心模块：查询规划（Query Planning）、知识检索（Knowledge Acquisition）、记忆管理（Memory Management）和答案生成（Answer Generation）。这四个模块循环往复，直至问题得到全面解答。

图示：Deep Research的四大核心模块

查询规划（Query Planning）

查询规划旨在将复杂问题拆解为一系列结构化、可执行的子任务。每个子任务均可逐步求解，通过这种分解策略，系统得以实现渐进式推理与信息收集，从而提高最终答案的精确度与可信度。

查询规划通常采用三种策略：其一，并行规划（parallel planning）将输入分解为相互独立的子任务，可同步求解；其二，顺序规划（sequential planning）按照线性次序排列子任务，每一步需依赖上一步的中间结果；其三，树状规划（tree-based planning）在分支决策空间中探索，通过过滤、回溯或启发式搜索从多条候选路径中择优选择。

图示：三种查询规划策略

知识检索（Knowledge Acquisition）

在Deep Research框架中，知识检索已超越传统的词汇匹配与密集文本搜索，演进为借助实时网络搜索引擎获取最新信息。多模态检索（multimodal retrieval）通过对视觉及结构化数据建模，拓展了检索范围，但同时也带来了计算开销增大、跨模态对齐困难及格式处理风险等挑战。

记忆管理（Memory Management）

记忆管理作为Deep Research系统的核心，负责调控系统在复杂、长期任务中上下文的动态生命周期，以确保任务解决过程中上下文的连贯性与相关性。

记忆管理包含四个环节：其一，整合（consolidation）将短期经验转化为持久化表示，为后续索引奠定基础；其二，索引（indexing）将这些表示组织为可高效检索的结构，便于问题求解过程中快速调用；其三，更新（updating）对已存储知识进行修正或优化；其四，遗忘（forgetting）有选择地剔除过时或无关内容，以减少噪声干扰。

图示：记忆管理的四个阶段

答案生成（Answer Generation）

答案生成是Deep Research系统的输出阶段。与常规文本生成相比，它面临多重挑战：需协调矛盾证据、维持长程一致性，并在输出中呈现透明的推理轨迹与准确的引用来源。

研究者将其划分为四个递进阶段：首先整合多元信息源；其次综合证据并维持逻辑自洽；然后构建推理骨架与叙事结构；最终拓展至跨模态生成的前沿应用。

图示：Deep Research答案生成过程

Deep Research面临的主要挑战

研究人员指出，Deep Research未来发展需应对以下几方面挑战：

检索时机（Retrieval Timing）

当前Deep Research系统过度依赖“答案正确性”来驱动搜索过程，缺少对检索时机的精细化判断，易导致检索过度或不足。此外，即便持续检索，模型在无法获取相关证据时仍可能强行作答，存在误导用户的风险。

记忆进化（Memory Evolution）

当前主流记忆架构（如文本块向量化存储）普遍采用扁平化存储范式，难以捕捉知识元素间的深层逻辑或关系结构，这一局限性从根本上制约了系统的复杂推理能力。

训练算法（Training Algorithms）

在Deep Research系统中，智能体需与环境进行多轮交互。尽管PPO、GRPO等强化学习算法在单轮场景下表现稳定，但扩展至多轮设置时往往出现不稳定性，表现为奖励逐步或骤降、生成无效响应，以及熵崩塌、梯度爆炸等问题。

评估体系（Evaluation Systems）

LLM-as-Judge（大模型作为评估者）已成为长文本生成评估的主流方法，但存在两大局限：一是偏差问题，评估者可能偏好更长答案或与其自身相似的生成系统，削弱评估协议的稳健性与公平性；二是效率问题，大规模成对比较成本高昂，尤其当依赖付费API及对长文本使用昂贵比较方法时，资源消耗急剧增加。

针对上述挑战，Deep Research需具备灵活适配不同底层模型、任务风格与用户偏好的能力，发展出更强的统一推理范式以兼容多种LLM。同时，需要构建标准化、泛化能力强的记忆系统，确保系统能准确存储、追踪并引用研究过程中发现的证据。此外，成熟的Deep Research系统还应具备通用、模块化、可扩展的框架，使其能够在不同环境与工具集之间自由切换。

总之，Deep Research正处在推动LLM从被动应答者向自主研究者转变的前沿，使其能够进行迭代推理、证据整合与可验证知识生成。

未来，研究者将持续推动Deep Research系统向更通用、更可靠、更具可解释性的智能体形态演进。