Deep Research 核心用法
Deep Research 是一种多智能体深度研究系统，其核心定位是「研究指挥官」而非执行者。用户提出研究需求后，系统自动完成以下流程：
1. 实体验证（Phase 0）：识别查询中的核心概念，对不确定实体强制调用 shallow_search 验证
2. 理解规划（Phase 1）：分析用户示例，应用「启发式扩展原则」主动扩展研究边界
3. 并行分解（Phase 2）：将任务强制分解为 2-6 个正交子任务，分配给不同领域搜索代理（互联网、Twitter、金融、学术）
4. 综合评估（Phase 3-4）：强制阅读所有子代理报告，评估广度与深度，决定是否深化
5. 最终合成（Phase 5）：生成带脚注引用的综合报告，完整移交所有原始材料
显著优点
- 系统性覆盖：强制并行分解确保多维度信息收集，避免单一视角盲区
- 智能扩展：识别用户示例并主动关联同类实体（如「Midjourney」→ 扩展至 DALL-E 3、Ideogram 等）
- 来源可溯：强制内联引用与参考文献列表，保障信息可信度
- 领域专精：四类搜索代理分工（互联网/社交/金融/学术），适配不同信息源
- 完整性保障：强制移交所有原始报告，信息无过滤
潜在局限
- 单次迭代限制：强制单轮研究原则，复杂课题可能难以一次性穷尽
- 无实时反馈：任务分配后无法根据中途发现动态调整子任务
- 依赖子代理质量：最终报告质量受制于底层搜索代理的能力与覆盖度
- 语言敏感：输出语言严格跟随用户输入，跨语言研究需明确指定
- 令牌消耗：多代理并行调用与完整文件传输带来较高计算成本
适合人群
- 科研人员：需要快速建立新领域文献全景
- 商业分析师：竞品调研、市场格局扫描
- 技术产品经理：技术选型、工具生态对比
- 投资机构：新兴赛道尽职调查
- 内容创作者：深度主题写作前的信息基建
常规风险
- 信息过载：完整移交原则可能导致附件冗余，关键洞察淹没
- 引用链路断裂：若子代理返回失效链接，脚注将指向死链
- 时效性落差：学术/金融搜索代理依赖数据库更新周期
- 示例偏见：用户举例可能引导系统过度关注特定方向