核心用法
Deep Research 是一套结构化深度研究方法论，通过四阶段迭代工作流（初步调查→深度挖掘→综合验证→报告生成），结合 web_search、web_fetch、read 等工具链，实现对任意主题的系统化探究。用户需先明确研究目标与关键问题，执行多源信息收集后进行交叉比对、偏见评估与可信度分级，最终输出包含执行摘要、证据链、矛盾点及局限性的完整研究报告。
显著优点
- 方法论严谨：采用学术级研究流程，强制要求多源交叉验证与偏见识别，降低信息茧房风险
- 工具整合度高：无缝衔接搜索、抓取、内容解析与记忆管理，形成闭环工作流
- 输出标准化：提供结构化报告模板，确保研究成果的可追溯性与可复用性
- 迭代优化机制：四周期渐进式深挖，从概览到细节再到验证，逐步收敛至可靠结论
潜在缺点与局限性
- 时效成本较高：完整执行四阶段流程需消耗大量 token 与时间，不适合快速问答场景
- 依赖外部工具质量：若
web_search返回低质量结果或web_fetch解析失败，研究基础会受损 - 无内置事实核查 API：关键声明的验证仍依赖人工判断与二次搜索，存在疏漏可能
- 偏见评估主观性：框架提供评估维度但无自动化检测手段，执行者认知偏见可能渗透
适合人群
学术研究者、商业分析师、调查记者、政策研究员及任何需要对复杂议题建立系统性认知的深度用户。不适合仅需快速获取碎片化信息的 casual 查询场景。
常规风险
- 信息过载：未设定明确边界时易陷入无限扩展的研究循环
- 来源权威性误判：框架提示评估标准但无法阻止用户过度采信低可信度来源
- 幻觉传导：若底层搜索工具返回 AI 生成内容，可能未经识别进入证据链
- 合规风险：大规模网页抓取需遵守目标站点 robots.txt 与使用条款