仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
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https ://zhuanlan.zhihu.com/p/26560000573
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。
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。
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。
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：
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。
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-hopQA）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）。
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APracticalGuidetoImplementingDeepSearch/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。JinaAI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。
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。
但是使用比较昂贵当前，DeepResearch提供给ChatGPTPro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）。
以下表格总结四者的关键差异：
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
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
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
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
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。
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。
TrustRAG地址：https ://github.com/gomate-community/TrustRAG
TrustRAG：TheRAGFrameworkwithinReliableinput,Trustedoutput
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（IntentUnderstanding）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：
Token预算是否超出
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
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。
下面是一个测试例子，查询问题为：大模型强化学习技术
下面是意图拆解以及递归搜索的示意过程：其中搜索引擎采用的websearch搜索，主要是免费的duckduck，searxng来实现的。
到最后差不多生成了不到2000字的报告，整体过程耗时不到4分钟多。上图是最后生成的一个markdown报告，总体来说逻辑还算是正确的，形式相对可以。不过篇幅内容较短，关于“强化学习在大模型应用”阐释不够具体。
通过一些现象下面是关于DeepResearch实现的几点思考：
通过对比与grok3deepsearch结果，其实可以发现一些差距，关于背后实现确实有很多可以打磨的细节，比如搜索内容的信息源，网页内容检索的质量，影响非常大。如果检索出来内容不准，检索内容过少，检索内容噪音较多，这些都会对模型生成带来影响，包括不限于模型幻觉，模型生成中断，内容逻辑混乱
其实可以说DeepResearch是用来做复杂任务的，上面其实问的问题相对比较宽泛，又比如我们问法国的首都是哪个城市？其实这种简单问题不适合这个场景，所以很多平台开启了DeepSearch切换模式，也就是上面四个问答模式可以用在不同场景的，需要我们结合问题去自由选择，最好能够收益最大化。
上面测试例子我用的GPT4-o3-mini的API，假设我们用一些输出带有思维链的模型，比如DeepSeek-R1系列，可能速度会慢很多。如果为了显示思考过程，也可以用R1系列。但是这里需要注意的是，DeepResearch中间迭代反思的过程和模型自己本身推理思考的过程是不同的，模型本身的DeepThink的思维链，DeepResearch的反思是多个动作组合。不过从Grok3的体验来看，更加偏向于不断反思，而不是问一个问题，直接把所有思维链一下子输出，毕竟中间涉及到不断的检索，所以这个时候感觉过多的思考直观感受就是会慢上加慢，另外就是模型本身思维链输出收益不大，比重不高。
中间动作可能会涉及检索、思考、内容抽取、答案总结等，目前实现的是直接根据每个子查询的答案总结拼接成一个上下文，然后根据提示生成最终的报告，那么其实中间很多信息目前还没有想好怎么去用。如果用上全部检索信息可能也不显示，直接用原始检索内容可能也不合适，一个是token消耗比较多，另一个是会造成信息冗余。
总结来看，DeepResearch的实现需要在信息检索、模型推理和结果整合等方面进行精细打磨。通过优化检索源的质量、合理选择模型的推理方式以及有效利用中间结果，可以提升模型的生成效果，减少幻觉现象，确保输出内容的逻辑性和连贯性。在实际应用中，应根据具体场景选择合适的模式，以最大化地发挥DeepResearch的优势。
DeepSearch与DeepResearch的设计和实现
DeepRAG:ThinkingtoRetrievalStepbyStepforLargeLanguageModels
Githubdeep-research
添加微信，备注”LLM“进入大模型技术交流群
