Let's Make AGI Real

第三章：AI驱动的信息检索：当前格局与前沿范式（续）

深度研究智能体：自主知识生成与报告综合

深度研究（DR）智能体代表了一类新型的自主AI系统，它们利用大型语言模型（LLMs）的能力，成为一种标准化的大模型应用。这些智能体能够通过动态推理、自适应长周期规划、多跳信息检索、迭代工具使用以及生成结构化分析报告等，来处理复杂的、多轮信息研究任务。深度研究智能体不仅是搜索工具，它们能执行传统上需要人类研究人员才能完成任务（例如，“博士级别的研究”）。这预示着知识工作性质的根本性转变：AI正在从一个查找信息的工具，转变为一个能够生成新知识和洞察的实体。这带来了很多关于人机协作、白领工作的未来以及“专业知识”定义等问题的激烈讨论。

特殊设计的LLM架构将静态LLM转变为能够自主规划和执行任务的动态AI智能体。它们可以主动分解复杂问题，调用外部工具或数据源，并在最少人工干预的情况下迭代实现目标。智能体的LLM系统包括LLM作为核心骨干、智能体编排、内存模块（短期和长期）、规划和推理引擎、工具集成（例如，网络搜索引擎、数据库、计算器）、反馈和学习机制以及任务分解模块等。

OpenAI于2025年2月在其ChatGPT Pro产品中推出了深度研究智能体（每月约200美元）。该智能体能够查找、分析和综合数百个在线来源，以创建全面的报告。其生成结构化报告的工作流程通常遵循规划智能体设计模式，包括报告规划、研究与写作的并行执行、格式化与最终编译。

阿里巴巴的WebSailor是另一个专有智能体系统，旨在通过系统性地减少信息环境中的极端不确定性来灌输超人推理能力。xAI Grok 4作为一款先进的对话式AI助手，引入了记忆功能，以保留用户交互，从而提供更具语境化的响应，并具有原生工具使用和实时搜索集成，利用预训练规模的强化学习来增强推理能力。字节跳动（今日头条、抖音）严重依赖AI，包括NLP、计算机视觉和机器学习，为其内容推荐引擎和搜索功能提供支持，其算法被描述为“活的有机体”，能够不断从用户行为中学习。

深度研究智能体的技术架构与工作流

深度研究智能体通过复杂的AI架构和迭代工作流，实现自主的信息收集、分析和报告生成。

• 通用智能体架构： 深度研究智能体是自主AI系统的新类别，旨在通过结合动态推理、自适应长周期规划、多跳信息检索、迭代工具使用和生成结构化分析报告来处理复杂的多轮信息研究任务。其核心组件包括LLM骨干、智能体编排层、内存模块、规划和推理引擎、工具集成、反馈和学习机制以及任务分解模块。
• OpenAI 深度研究： 由OpenAI o3的早期版本提供支持，该版本针对网络浏览进行了优化。它利用推理能力在互联网上搜索、解释和分析大量文本、图像和PDF，并根据遇到的信息进行调整。其工作流遵循规划智能体设计模式，包括报告规划、研究与写作的并行执行、格式化与最终章节以及最终编译。
• Google Gemini 深度研究： 能够自主浏览数百个网站，思考其发现，并在几分钟内创建有见地的多页报告。它将用户提示转换为个性化的多点研究计划，并解决了多步骤规划和长时间推理等技术挑战。
• 阿里巴巴 WebSailor： 旨在通过系统性地减少信息环境中的极端不确定性，灌输超人推理能力。它通过结构化采样和信息混淆生成新颖的、高不确定性任务进行训练，并采用“思考-行动-观察”循环（ReAct框架）。

多模态与跨模态检索：超越文本的界限

多模态数据（文本、图像、音频、视频）的快速增长导致对高效跨模态检索系统需求的增加。这些系统使用户能够跨不同模态搜索和检索信息。深度学习模型，如卷积神经网络（CNNs）和循环神经网络（RNNs），用于从图像、视频、文本和音频中提取特征。

关键技术包括多模态融合（结合不同模态的特征）、注意力机制（关注不同模态中最相关的特征）和知识图谱嵌入（将外部知识融入跨模态检索模型）。其益处包括提高搜索准确性、增强用户体验和提高效率。在处理嘈杂或不完整的多模态数据时，可扩展性、效率和鲁棒性仍然是挑战。未来的研究机会包括多模态预训练和低资源语言的跨模态检索。传统上，信息是按格式（文本、图像、视频）分隔的。多模态和跨模态检索旨在打破这些障碍。这意味着用户可以使用图像进行搜索，并检索相关的文本文档或视频，从而创造更全面、更直观的信息发现体验。这对于反映人类在现实世界中如何感知和处理信息至关重要，因为不同的感官有助于理解。