admin管理员组

文章数量:1037775

关于DeepResearch设计实现的碎碎念

前言

最近我们通过一些新闻博客包括LLMs产品的推出，DeepSearch和DeepResearch这两个词不断的映入我们眼帘。

图片来源：Jina，DeepSearch 与 DeepResearch 的设计和实现

一个有趣的发现是，DeepSearch 和 DeepResearch 不仅限于 OpenAI，之前一直听说OpenAI的DeepResearch特别厉害，最近许多公司如 Jina AI、Perplexity 和 Google 也在开发类似工具。例如，Jina AI 推出了开源的 node-deepresearch，X AI 将 DeepSearch 集成到 Grok3 中，形成了DeepResearch 的变体。这可能表明AI 搜索和研究工具正迅速多样化，可能在未来几年内成为大模型的特色功能。

在探讨DeepResearch设计与实现之前，我们先回顾下大模型问答、RAG 问答、DeepSearch 和 DeepResearch 的定义与区别，也从不同维度进行对比，以帮助我们更好理解它们之间的差异性。

大模型问答、RAG问答、DeepSearch 和 DeepResearch对比

这些术语经常在我们使用大模型的时候出现，然后它们也在提高我们生产效率变得日益重要，特别是在问答和信息检索的背景下。以下是详细分析，涵盖定义、实现方式和差异。

什么是大模型问答？

这个我们再熟悉不过了

**大模型问答指的是利用大型语言模型（LLM）来回答用户提出的问题。**这些模型，如GPT 系列，通常通过海量文本数据训练，具备理解和生成自然语言的能力。

  • 由于LLM 包含大量参数，需要高计算资源，尤其对实时推理这个要求会更高。
  • 在大模型问答中，模型直接基于其预训练知识生成答案。例如，询问“地球的直径是多少？”，模型会从训练数据中提取答案。然而，其局限在于知识的时效性和覆盖范围。例如，2025 年最新的科学发现可能不在模型训练数据中，导致答案不准确。
  • 从应用场景看，大模型问答适合简单、常见问题，但对于需要实时或特定领域知识的问题，表现可能有限，模型可能出现“幻觉”（hallucination），即生成不准确或虚构的信息，尤其在复杂或新颖问题上。
什么是 RAG 问答？

RAG 问答，即检索增强生成问答，是一种结合检索和生成的技术。RAG 框架通过从知识库中检索相关信息，然后由 LLM 生成答案，增强了回答的准确性和时效性。 过程包括：

  1. 检索：给定用户查询，系统搜索知识库（如文档、网页）找到相关内容，通常通过向量相似性搜索。
  2. 生成：LLM 基于检索到的信息生成自然语言答案。

例如，在医疗问答中，RAG 可能从最新医学文献中检索数据，确保答案基于当前研究。

研究显示，RAG 在开放域问答（如 HotpotQA、TriviaQA）中表现优于纯 LLM，尤其在多跳问答（multi-hop QA）中，需结合多个信息源。相比大模型问答，RAG 更依赖外部知识库的更新和质量，知识库可以是结构化（如数据库）或非结构化（如 PDF、网页）。

什么是 DeepSearch？

DeepSearch 是一个较新的术语，尚未完全标准化，但从多个来源来看，它指的是一种迭代的搜索过程，涉及搜索、阅读和推理的循环。根据Jina前几天比较火的文章 A Practical Guide to Implementing DeepSearch/DeepResearch描述： DeepSearch 被描述为“搜索、阅读和推理直到找到最佳答案”，类似于 RAG 但更强调多步工具使用。例如，AI 可能先搜索相关文档，阅读内容，推理下一步搜索方向，再继续优化。

这种方法特别适合复杂问题，需要逐步细化信息。

从实现上看，DeepSearch 可能涉及工具链，如向量搜索、关键词搜索，甚至 web 爬虫，结合 LLM 的推理能力。Jina AI 的博客提到，DeepSearch 在 2025 年已成为搜索新标准，特别是在 Deepseek-r1 模型发布后，Baidu 和 Tencent 等平台已集成类似功能。相比 RAG，DeepSearch 的迭代性质可能提高检索精度，但也可能增加计算成本。

什么是 DeepResearch？

DeepResearch 是一个具体工具或功能，特别是在 OpenAI 的 ChatGPT 中实现。根据 OpenAI’s ‘deep research’ tool: is it useful for scientists?来看：

DeepResearch 是一个 AI 代理，能自主浏览网页，生成带引用的长篇详细报告，处理复杂研究任务。

Jina文章中也提到：

DeepResearch 是在 DeepSearch 的基础上，增加了一个结构化的框架，用于生成长篇的研究报告。 它的工作流程一般从创建目录开始，然后系统性地将 DeepSearch 应用于报告的每一个所需部分：从引言到相关工作、再到方法论，直至最后的结论。报告的每个章节都是通过将特定的研究问题输入到 DeepSearch 中来生成的。最后将所有章节整合到一个提示词中，以提高报告整体叙述的连贯性。

我们可以看到DeepResearch是DeepSearch高级版本

例如，用户输入“2025 年 AI 趋势”，DeepResearch 会搜索相关网站，整理信息，输出结构化报告，包含关键发现和链接。

从技术上看，DeepResearch 基于 LLM（如 OpenAI 的 o3 模型）和“代理框架”（agentic framework），指导模型使用工具如 web 搜索，按步骤组织行动。根据ChatGPT Deep Research介绍，它能解读文本、图像和 PDF，计划支持可视化输出，但可能存在“幻觉”问题，如事实错误或无法区分权威来源。

但是使用比较昂贵当前，DeepResearch 提供给 ChatGPT Pro 用户（每月 200 美元，100 次查询），并计划扩展到 Plus、Team 和 Enterprise 用户（每月 10 次查询）。

四者对比分析

以下表格总结四者的关键差异：

方面

大模型问答

RAG 问答

DeepSearch

DeepResearch

信息来源

模型内部预训练知识

外部知识库（文档、数据库）

动态搜索，迭代获取信息

自主 web 搜索，生成报告

过程

直接生成答案

检索 + 生成

搜索-阅读-推理的迭代循环

自动研究，生成带引用的报告

输出形式

简短文本答案

基于检索的答案

可能涉及详细推理过程

长篇结构化报告，含引用

适用场景

简单问题，常见知识

需要实时数据的复杂问题

复杂问题，需要多步推理

深入研究任务，生成报告

局限

知识时效性差，可能出现幻觉

依赖知识库质量，检索可能冗余

计算成本高，迭代复杂

可能有幻觉，区分权威性困难

从上述对比看，大模型问答是最基础的形式，RAG 问答通过检索增强了准确性，DeepSearch 进一步迭代优化搜索过程，而 DeepResearch 则是自动化的研究工具，输出形式更适合学术或专业需求。

DeepResearch实现

由于Jina开源的node-DeepResearch是Typescript开发，笔者在TrustRAG框架基础之上，用python实现了一个简易版本的DeepResearch，以下为实现逻辑。

DeepResearch流程设计

DeepResearch流程示意图如下：

DeepResearch 框架通过分层查询、递归迭代以及智能决策等步骤，实现深度信息搜索和处理。本流程主要包含以下关键步骤：

1. 意图理解（Intent Understanding） 用户输入查询后，系统会将其解析为多个子查询，以便更精确地理解用户需求。

2. 处理条件判断 系统会根据如下条件判断是否继续执行：

  1. Token 预算是否超出
  2. 动作深度是否超出

如果满足上述条件，则终止查询并直接返回答案；否则进入递归执行步骤。

3. 递归执行步骤 在递归执行过程中，系统执行信息检索、模型推理及上下文处理等任务 信息检索

  • 获取当前问题
  • 构建问题执行序列
  • 递归遍历
  • 深度优先搜索
  • 模型推理 系统进行模型推理，通过系统提示和上下文理解来判断下一步动作。

4. 动作类型判定 根据推理结果，系统决定下一步执行的动作类型：

  • answer：回答动作
  • reflect：反思动作
  • search：搜索动作
  • read：阅读动作
  • coding：代码动作 这些动作会影响上下文，并不断更新系统状态。

5. 结果反馈 根据最终的动作类型，系统执行相应的任务，并将结果返回给用户，完成整个流程。

以上流程是根据一些开源方案理解大致拍了一下，大家也可以根据自己的理解去设计，这里仅限参考。

DeepResearch实测

下面是一个测试例子，查询问题为：大模型强化学习技术

代码语言：javascript代码运行次数：0运行复制
关于DeepResearch设计实现的碎碎念


前言
最近我们通过一些新闻博客包括LLMs产品的推出，DeepSearch和DeepResearch这两个词不断的映入我们眼帘。
 图片来源：Jina，DeepSearch 与 DeepResearch 的设计和实现
 
一个有趣的发现是，DeepSearch 和 DeepResearch 不仅限于 OpenAI，之前一直听说OpenAI的DeepResearch特别厉害，最近许多公司如 Jina AI、Perplexity 和 Google 也在开发类似工具。例如，Jina AI 推出了开源的 node-deepresearch，X AI 将 DeepSearch 集成到 Grok3 中，形成了DeepResearch 的变体。这可能表明AI 搜索和研究工具正迅速多样化，可能在未来几年内成为大模型的特色功能。
 在探讨DeepResearch设计与实现之前，我们先回顾下大模型问答、RAG 问答、DeepSearch 和 DeepResearch 的定义与区别，也从不同维度进行对比，以帮助我们更好理解它们之间的差异性。
大模型问答、RAG问答、DeepSearch 和 DeepResearch对比
 这些术语经常在我们使用大模型的时候出现，然后它们也在提高我们生产效率变得日益重要，特别是在问答和信息检索的背景下。以下是详细分析，涵盖定义、实现方式和差异。
什么是大模型问答？
 这个我们再熟悉不过了
**大模型问答指的是利用大型语言模型（LLM）来回答用户提出的问题。**这些模型，如GPT 系列，通常通过海量文本数据训练，具备理解和生成自然语言的能力。
  •  由于LLM 包含大量参数，需要高计算资源，尤其对实时推理这个要求会更高。
 
  •  在大模型问答中，模型直接基于其预训练知识生成答案。例如，询问“地球的直径是多少？”，模型会从训练数据中提取答案。然而，其局限在于知识的时效性和覆盖范围。例如，2025 年最新的科学发现可能不在模型训练数据中，导致答案不准确。
 
  •  从应用场景看，大模型问答适合简单、常见问题，但对于需要实时或特定领域知识的问题，表现可能有限，模型可能出现“幻觉”（hallucination），即生成不准确或虚构的信息，尤其在复杂或新颖问题上。
 
什么是 RAG 问答？
RAG 问答，即检索增强生成问答，是一种结合检索和生成的技术。RAG 框架通过从知识库中检索相关信息，然后由 LLM 生成答案，增强了回答的准确性和时效性。 过程包括：
  1. 检索：给定用户查询，系统搜索知识库（如文档、网页）找到相关内容，通常通过向量相似性搜索。
  2. 生成：LLM 基于检索到的信息生成自然语言答案。
 例如，在医疗问答中，RAG 可能从最新医学文献中检索数据，确保答案基于当前研究。
 
研究显示，RAG 在开放域问答（如 HotpotQA、TriviaQA）中表现优于纯 LLM，尤其在多跳问答（multi-hop QA）中，需结合多个信息源。相比大模型问答，RAG 更依赖外部知识库的更新和质量，知识库可以是结构化（如数据库）或非结构化（如 PDF、网页）。
什么是 DeepSearch？
DeepSearch 是一个较新的术语，尚未完全标准化，但从多个来源来看，它指的是一种迭代的搜索过程，涉及搜索、阅读和推理的循环。根据Jina前几天比较火的文章 A Practical Guide to Implementing DeepSearch/DeepResearch描述：
 DeepSearch 被描述为“搜索、阅读和推理直到找到最佳答案”，类似于 RAG 但更强调多步工具使用。例如，AI 可能先搜索相关文档，阅读内容，推理下一步搜索方向，再继续优化。
 这种方法特别适合复杂问题，需要逐步细化信息。
 
从实现上看，DeepSearch 可能涉及工具链，如向量搜索、关键词搜索，甚至 web 爬虫，结合 LLM 的推理能力。Jina AI 的博客提到，DeepSearch 在 2025 年已成为搜索新标准，特别是在 Deepseek-r1 模型发布后，Baidu 和 Tencent 等平台已集成类似功能。相比 RAG，DeepSearch 的迭代性质可能提高检索精度，但也可能增加计算成本。
什么是 DeepResearch？
DeepResearch 是一个具体工具或功能，特别是在 OpenAI 的 ChatGPT 中实现。根据 OpenAI’s ‘deep research’ tool: is it useful for scientists?来看：
DeepResearch 是一个 AI 代理，能自主浏览网页，生成带引用的长篇详细报告，处理复杂研究任务。
Jina文章中也提到：
 DeepResearch 是在 DeepSearch 的基础上，增加了一个结构化的框架，用于生成长篇的研究报告。 它的工作流程一般从创建目录开始，然后系统性地将 DeepSearch 应用于报告的每一个所需部分：从引言到相关工作、再到方法论，直至最后的结论。报告的每个章节都是通过将特定的研究问题输入到 DeepSearch 中来生成的。最后将所有章节整合到一个提示词中，以提高报告整体叙述的连贯性。
 
我们可以看到DeepResearch是DeepSearch高级版本
 例如，用户输入“2025 年 AI 趋势”，DeepResearch 会搜索相关网站，整理信息，输出结构化报告，包含关键发现和链接。
 
从技术上看，DeepResearch 基于 LLM（如 OpenAI 的 o3 模型）和“代理框架”（agentic framework），指导模型使用工具如 web 搜索，按步骤组织行动。根据ChatGPT Deep Research介绍，它能解读文本、图像和 PDF，计划支持可视化输出，但可能存在“幻觉”问题，如事实错误或无法区分权威来源。
但是使用比较昂贵当前，DeepResearch 提供给 ChatGPT Pro 用户（每月 200 美元，100 次查询），并计划扩展到 Plus、Team 和 Enterprise 用户（每月 10 次查询）。
 
四者对比分析
以下表格总结四者的关键差异：
方面
大模型问答
RAG 问答
DeepSearch
DeepResearch
信息来源
模型内部预训练知识
外部知识库（文档、数据库）
动态搜索，迭代获取信息
自主 web 搜索，生成报告
过程
直接生成答案
检索 + 生成
搜索-阅读-推理的迭代循环
自动研究，生成带引用的报告
输出形式
简短文本答案
基于检索的答案
可能涉及详细推理过程
长篇结构化报告，含引用
适用场景
简单问题，常见知识
需要实时数据的复杂问题
复杂问题，需要多步推理
深入研究任务，生成报告
局限
知识时效性差，可能出现幻觉
依赖知识库质量，检索可能冗余
计算成本高，迭代复杂
可能有幻觉，区分权威性困难
从上述对比看，大模型问答是最基础的形式，RAG 问答通过检索增强了准确性，DeepSearch 进一步迭代优化搜索过程，而 DeepResearch 则是自动化的研究工具，输出形式更适合学术或专业需求。
DeepResearch实现
 由于Jina开源的node-DeepResearch是Typescript开发，笔者在TrustRAG框架基础之上，用python实现了一个简易版本的DeepResearch，以下为实现逻辑。
 
DeepResearch流程设计
DeepResearch流程示意图如下：
DeepResearch 框架通过分层查询、递归迭代以及智能决策等步骤，实现深度信息搜索和处理。本流程主要包含以下关键步骤：
1. 意图理解（Intent Understanding）
 用户输入查询后，系统会将其解析为多个子查询，以便更精确地理解用户需求。
2. 处理条件判断
 系统会根据如下条件判断是否继续执行：
  1. Token 预算是否超出
  2. 动作深度是否超出
 如果满足上述条件，则终止查询并直接返回答案；否则进入递归执行步骤。
 
3. 递归执行步骤
 在递归执行过程中，系统执行信息检索、模型推理及上下文处理等任务
 信息检索
  • 获取当前问题
  • 构建问题执行序列
  • 递归遍历
  • 深度优先搜索
  • 模型推理  系统进行模型推理，通过系统提示和上下文理解来判断下一步动作。
 
 
4. 动作类型判定
 根据推理结果，系统决定下一步执行的动作类型：
  •  answer：回答动作
 
  •  reflect：反思动作
 
  •  search：搜索动作
 
  •  read：阅读动作
 
  •  coding：代码动作
  这些动作会影响上下文，并不断更新系统状态。
 
5. 结果反馈
 根据最终的动作类型，系统执行相应的任务，并将结果返回给用户，完成整个流程。
 以上流程是根据一些开源方案理解大致拍了一下，大家也可以根据自己的理解去设计，这里仅限参考。
DeepResearch实测
下面是一个测试例子，查询问题为：大模型强化学习技术
代码语言：javascript代码运行次数：0运行复制

                本文标签：
                关于DeepResearch设计实现的碎碎念

                        版权声明：本文标题：关于DeepResearch设计实现的碎碎念 内容由热心网友自发贡献，该文观点仅代表作者本人，
                        转载请联系作者并注明出处：http://it.en369.cn/jiaocheng/1748358427a2290504.html，
                        本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。