即刻App年轻人的同好社区
下载
各家出的Deep Researcher汇总：
1. 谷歌 Gemini 搜索智能体 (Google Gemini Search Agent)
来源: github.com
摘要: 这个 GitHub 仓库提供了一个快速入门指南，用于使用 Gemini 2.5 和 LangGraph 构建一个全栈应用程序。该应用包含一个 React 前端和一个由 LangGraph 驱动的后端智能体，该智能体通过动态生成搜索查询、使用谷歌搜索 API、反思结果以填补知识空白，并迭代优化搜索来生成引用充分的答案，从而进行全面的研究。主要功能包括用于开发的热重载、用于一次性查询的命令行界面（CLI），以及使用 Docker 和 docker-compose 的部署说明。该项目采用 Apache 2.0 许可证，并强调模块化结构，为本地开发和生产环境提供了清晰的设置说明。
2. OpenAI 深度研究 (OpenAI Deep Research)
来源: openai.com
摘要: OpenAI 于 2025 年 2 月 2 日在 ChatGPT 中引入了“深度研究”功能，这是一个多步研究智能体，由一个为网页浏览和数据分析优化的 o3 模型版本驱动。它能进行广泛的在线研究，将数百个来源的信息综合成长篇报告，以应对金融、科学和消费者研究等领域的复杂任务。该系统处理每个查询需要 5-30 分钟，并提供详细、带引用的输出。它在 Humanity’s Last Exam (准确率 26.6%) 和 GAIA (平均 pass@1 为 67.36%) 等基准测试中表现出色，超越了以前的模型。其局限性包括偶尔的幻觉和置信度校准问题。初期，Pro 用户可使用（每月 100 次查询），并计划扩展到 Plus、Team 和 Enterprise 用户。
3. Anthropic 多智能体研究系统
来源: www.anthropic.com
摘要: Anthropic 详细介绍了其 Claude 多智能体研究系统的开发过程，该系统使用一个主导智能体来协调并行的子智能体，以执行复杂的研究任务。该系统在广度优先的查询中表现出色，在内部评估中，其性能比单智能体的 Claude Opus 4 提升了 90.2%。关键原则包括有效的上下文工程、并行工具调用和用于管理子智能体协调的提示工程。挑战包括 Token 密集型操作、调试非确定性行为，以及通过持久化执行和可观测性来确保生产环境的可靠性。该系统针对读取密集型任务进行了优化，而写作任务则由主导智能体统一完成，以避免协同输出的复杂性。
4. JinaAI 深度研究指南 (JinaAI Deep(Re)Search Guide)
来源: jina.ai
摘要: 由于文档中未提供此文章，因此无法生成直接的摘要。根据标题和 URL 判断，它很可能提供了一份实现深度研究系统的实用指南，可能会讨论用于构建 AI 驱动的研究智能体的框架（如 DeepSearch 或 DeepResearch）。它可能涵盖技术实现细节、最佳实践或集成此类系统的案例研究，并可能引用其他文档中讨论的 LangGraph 或类似框架等工具。
5. 字节跳动 DeerFlow
来源: deerflow.tech
摘要: DeerFlow 被介绍为一个个人深度研究助手，它由一个采用“主管+移交”（Supervisor + Handoffs）设计的多智能体架构驱动。它利用搜索引擎、网络爬虫、Python 和 MCP 服务等工具，提供即时见解、综合报告和播客。该平台强调社区协作，并采用 MIT 许可证，鼓励开源贡献。简短的描述强调了其专注于高效研究与探索（DEER: Deep Exploration and Efficient Research），但缺乏详细的技术或性能细节。
6. 实现 DeepSearch/DeepResearch 的实用指南
来源: jina.ai
摘要: 这是对上述 JinaAI 指南的重复引用。由于没有提供文档内容，摘要保持不变：它很可能提供实现深度研究系统的实用指南，可能涵盖构建 AI 驱动的研究智能体的框架、工具或方法论，类似于 OpenAI、Anthropic 或谷歌 Gemini 文档中讨论的内容。
7. 如何以及何时构建多智能体系统
来源: blog.langchain.com
摘要: 这篇发表于 2025 年的 LangChain 博客文章，综合了 Anthropic 的多智能体研究系统的见解和 Cognition 对多智能体系统的警示。文章强调，多智能体系统在读取密集型、可并行的任务（如研究）中表现出色，因为子智能体可以探索独立的方向；但由于上下文和输出协调的挑战，它们不太适合写作密集型任务（如编码）。关键点包括：上下文工程对于有效智能体通信的重要性，以及需要强大的工具（如 LangGraph、LangSmith）来实现持久化执行、调试和评估。对于需要大量信息收集的高价值、Token 密集型任务，推荐使用多智能体系统。
8. Kimi-Researcher: 面向新兴智能体能力的端到端强化学习训练
来源: moonshotai.github.io
摘要: Kimi-Researcher 于 2025 年 6 月 20 日发布，是一个基于内部 Kimi k 系列模型构建的自主智能体，通过端到端强化学习（RL）进行训练。它在多轮搜索和推理方面表现出色，在 Humanity’s Last Exam 基准测试中取得了 26.9% 的 Pass@1 的顶尖水平，在 xbench-DeepSearch 上达到了 69%。它使用并行搜索、网页浏览和编码等工具，通过上下文管理来处理长周期任务，支持超过 50 次迭代。使用 REINFORCE 算法、同策略数据（on-policy data）和合成数据集进行的强化学习训练，使其具备了强大的泛化能力。其涌现出的能力包括解决冲突信息和进行严格的交叉验证。未来的计划包括开源该模型并扩展其工具集。
1. 谷歌 Gemini 搜索智能体 (Google Gemini Search Agent)
来源: github.com
摘要: 这个 GitHub 仓库提供了一个快速入门指南，用于使用 Gemini 2.5 和 LangGraph 构建一个全栈应用程序。该应用包含一个 React 前端和一个由 LangGraph 驱动的后端智能体，该智能体通过动态生成搜索查询、使用谷歌搜索 API、反思结果以填补知识空白，并迭代优化搜索来生成引用充分的答案，从而进行全面的研究。主要功能包括用于开发的热重载、用于一次性查询的命令行界面（CLI），以及使用 Docker 和 docker-compose 的部署说明。该项目采用 Apache 2.0 许可证，并强调模块化结构，为本地开发和生产环境提供了清晰的设置说明。
2. OpenAI 深度研究 (OpenAI Deep Research)
来源: openai.com
摘要: OpenAI 于 2025 年 2 月 2 日在 ChatGPT 中引入了“深度研究”功能，这是一个多步研究智能体，由一个为网页浏览和数据分析优化的 o3 模型版本驱动。它能进行广泛的在线研究，将数百个来源的信息综合成长篇报告，以应对金融、科学和消费者研究等领域的复杂任务。该系统处理每个查询需要 5-30 分钟，并提供详细、带引用的输出。它在 Humanity’s Last Exam (准确率 26.6%) 和 GAIA (平均 pass@1 为 67.36%) 等基准测试中表现出色，超越了以前的模型。其局限性包括偶尔的幻觉和置信度校准问题。初期，Pro 用户可使用（每月 100 次查询），并计划扩展到 Plus、Team 和 Enterprise 用户。
3. Anthropic 多智能体研究系统
来源: www.anthropic.com
摘要: Anthropic 详细介绍了其 Claude 多智能体研究系统的开发过程，该系统使用一个主导智能体来协调并行的子智能体，以执行复杂的研究任务。该系统在广度优先的查询中表现出色，在内部评估中，其性能比单智能体的 Claude Opus 4 提升了 90.2%。关键原则包括有效的上下文工程、并行工具调用和用于管理子智能体协调的提示工程。挑战包括 Token 密集型操作、调试非确定性行为，以及通过持久化执行和可观测性来确保生产环境的可靠性。该系统针对读取密集型任务进行了优化，而写作任务则由主导智能体统一完成，以避免协同输出的复杂性。
4. JinaAI 深度研究指南 (JinaAI Deep(Re)Search Guide)
来源: jina.ai
摘要: 由于文档中未提供此文章，因此无法生成直接的摘要。根据标题和 URL 判断，它很可能提供了一份实现深度研究系统的实用指南，可能会讨论用于构建 AI 驱动的研究智能体的框架（如 DeepSearch 或 DeepResearch）。它可能涵盖技术实现细节、最佳实践或集成此类系统的案例研究，并可能引用其他文档中讨论的 LangGraph 或类似框架等工具。
5. 字节跳动 DeerFlow
来源: deerflow.tech
摘要: DeerFlow 被介绍为一个个人深度研究助手，它由一个采用“主管+移交”（Supervisor + Handoffs）设计的多智能体架构驱动。它利用搜索引擎、网络爬虫、Python 和 MCP 服务等工具，提供即时见解、综合报告和播客。该平台强调社区协作，并采用 MIT 许可证，鼓励开源贡献。简短的描述强调了其专注于高效研究与探索（DEER: Deep Exploration and Efficient Research），但缺乏详细的技术或性能细节。
6. 实现 DeepSearch/DeepResearch 的实用指南
来源: jina.ai
摘要: 这是对上述 JinaAI 指南的重复引用。由于没有提供文档内容，摘要保持不变：它很可能提供实现深度研究系统的实用指南，可能涵盖构建 AI 驱动的研究智能体的框架、工具或方法论，类似于 OpenAI、Anthropic 或谷歌 Gemini 文档中讨论的内容。
7. 如何以及何时构建多智能体系统
来源: blog.langchain.com
摘要: 这篇发表于 2025 年的 LangChain 博客文章，综合了 Anthropic 的多智能体研究系统的见解和 Cognition 对多智能体系统的警示。文章强调，多智能体系统在读取密集型、可并行的任务（如研究）中表现出色，因为子智能体可以探索独立的方向；但由于上下文和输出协调的挑战，它们不太适合写作密集型任务（如编码）。关键点包括：上下文工程对于有效智能体通信的重要性，以及需要强大的工具（如 LangGraph、LangSmith）来实现持久化执行、调试和评估。对于需要大量信息收集的高价值、Token 密集型任务，推荐使用多智能体系统。
8. Kimi-Researcher: 面向新兴智能体能力的端到端强化学习训练
来源: moonshotai.github.io
摘要: Kimi-Researcher 于 2025 年 6 月 20 日发布，是一个基于内部 Kimi k 系列模型构建的自主智能体，通过端到端强化学习（RL）进行训练。它在多轮搜索和推理方面表现出色，在 Humanity’s Last Exam 基准测试中取得了 26.9% 的 Pass@1 的顶尖水平，在 xbench-DeepSearch 上达到了 69%。它使用并行搜索、网页浏览和编码等工具，通过上下文管理来处理长周期任务，支持超过 50 次迭代。使用 REINFORCE 算法、同策略数据（on-policy data）和合成数据集进行的强化学习训练，使其具备了强大的泛化能力。其涌现出的能力包括解决冲突信息和进行严格的交叉验证。未来的计划包括开源该模型并扩展其工具集。
0 00
顿的任他顿，渐的任他渐；神秀的归于神秀，惠能的归于惠能，一如“繁荣的任它繁荣，干枯的任它干枯”
这世界的美就在于每个人有每个人的特色，统一了反而无趣，所以做好自己，在别人需要时按能力施以援手即可。
这世界的美就在于每个人有每个人的特色，统一了反而无趣，所以做好自己，在别人需要时按能力施以援手即可。
0 00
今天在reddit上看到一个commit，感觉写得很好，摘录一下：
实际上，普通的企业主都是从40岁才开始的。
别去理会媒体对年轻富豪的理想化宣传和社交媒体上的那些叙事。
你还有时间。好的一点是，你正在为此发声并尝试做出改变。
尽可能多地投入时间去学习。强烈地追随你的兴趣。
我决定给自己设定一个学习预算，基本上就是允许自己花尽可能多的钱去学习，无论是买亚马逊的书，还是订阅 trends.co（每年300美元），抑或是 theadvault.co.uk（免费），或者其他什么。我需要向前发展，无论这意味着什么。
不要去学习那些你“应该”学的东西，去学习那些能给你带来活力、让你充满热情的东西。
举个例子，我大学毕业后，当音乐制作人没钱了（我有一段低谷期，然后转行了），我的第一份工作是在音乐行业。在这个行业里，我在洛杉矶的年薪是3.5万美元。不够生活。
于是我开始尝试线上业务，经过一些尝试和错误，有了一两次小成功。后来被公司发现了，他们不喜欢我搞线上业务。所以我就回去上班，说实话，把我的项目藏起来了，但还是坚持做，因为我喜欢。后来等我的编码技术足够好了，我就离开了那个行业，找了一份我更喜欢、工资是两倍、并且允许我发展副业的工作。
所以，是的，尽管追随你的兴趣并保持专注。
我曾多次感到迷茫，但只要坚持下去，并以此作为你的动力。
实际上，普通的企业主都是从40岁才开始的。
别去理会媒体对年轻富豪的理想化宣传和社交媒体上的那些叙事。
你还有时间。好的一点是，你正在为此发声并尝试做出改变。
尽可能多地投入时间去学习。强烈地追随你的兴趣。
我决定给自己设定一个学习预算，基本上就是允许自己花尽可能多的钱去学习，无论是买亚马逊的书，还是订阅 trends.co（每年300美元），抑或是 theadvault.co.uk（免费），或者其他什么。我需要向前发展，无论这意味着什么。
不要去学习那些你“应该”学的东西，去学习那些能给你带来活力、让你充满热情的东西。
举个例子，我大学毕业后，当音乐制作人没钱了（我有一段低谷期，然后转行了），我的第一份工作是在音乐行业。在这个行业里，我在洛杉矶的年薪是3.5万美元。不够生活。
于是我开始尝试线上业务，经过一些尝试和错误，有了一两次小成功。后来被公司发现了，他们不喜欢我搞线上业务。所以我就回去上班，说实话，把我的项目藏起来了，但还是坚持做，因为我喜欢。后来等我的编码技术足够好了，我就离开了那个行业，找了一份我更喜欢、工资是两倍、并且允许我发展副业的工作。
所以，是的，尽管追随你的兴趣并保持专注。
我曾多次感到迷茫，但只要坚持下去，并以此作为你的动力。
1 00
(转) 学好基本功，AI 才能真正助你一臂之力
我最近一直在尝试把AI融入到日常工作中。必须承认，在处理像增删改查（CRUD）、数据解析这类琐碎任务时，AI确实是个神器。你只需要下达指令，它就能帮你搞定，极大地解放了生产力。但软件开发远不止于此，我们还需要整合系统、性能优化、技术研究，这些都需要真正的理解力。
今天在咖啡馆工作时，我旁边坐着一位同行。他也在用AI写代码，这很正常，我也用。但让我忍俊不禁的是，他为了解决一个极其基础的问题，竟然在和AI反复“拉扯”。那个问题是什么呢？仅仅是一个CSS元素的居中，或是一个忘记绑定onClick点击事件的低级Bug。
我内心的独白是：“简直可笑，花几分钟学一下CSS的Flexbox布局，不比你这样反复试错问AI快得多吗？”
我当然不会说出口，毕竟萍水相逢，我也不想打击一个年轻工程师的热情。但这情景让我深有感触。AI需要精确的上下文才能给出好答案，你反反复复地对它说“还没居中呢”，其实是在浪费你自己的生命。如果你从不想去理解代码片段之间是如何协同工作的，那你当初又何必选择软件开发这个行业呢？
这让我想起了乔纳森·布洛（Jonathan Blow）一直在警告的那个观点——我们行业的知识体系，正在从根基处“崩溃”。
布洛的核心忧虑是：现代软件建立在层层叠叠的抽象之上，如今的开发者，尤其是新人，越来越依赖顶层的框架和工具（现在又加上了AI），却对底层原理一窍不通。他们知“怎样”让东西跑起来，却不知道“为什么”能跑起来。
当整个行业都建立在“知其然，不知所以然”的基础上时，我们创造的系统会变得异常脆弱。就像今天这位小哥，他遇到的只是个CSS问题。但如果未来遇到的一个底层性能瓶颈或安全漏洞呢？当没有人再理解事物的本质时，我们又该如何去修复和创造真正可靠的东西？
这正是“崩溃”的真实写照——它不是什么末日天启，而是我们作为一个整体，正在逐渐丧失对复杂技术的掌控力。
AI的出现加剧了这种割裂：
- 对于经验丰富的开发者，AI是如虎添翼的杠杆，能将他们从重复劳动中解放出来，专注于更复杂的架构和创造。
- 对于新手而言，AI却成了一个“黑箱”或“许愿机”，让他们跳过了最关键的学习和试错过程，沦为只会提问的“提示工程师”，根基愈发不稳。
这是一个多么吊诡的世界。一方面技术在飞速进步，另一方面，从业者的平均基本功却在退化。
真心希望那位小哥能看到这篇文章，并明白，真正的成长，源于求知本身。
---
作者的观点与我相似，而最近遇到的一些事情让我更加坚信这一点。
我最近一直在尝试把AI融入到日常工作中。必须承认，在处理像增删改查（CRUD）、数据解析这类琐碎任务时，AI确实是个神器。你只需要下达指令，它就能帮你搞定，极大地解放了生产力。但软件开发远不止于此，我们还需要整合系统、性能优化、技术研究，这些都需要真正的理解力。
今天在咖啡馆工作时，我旁边坐着一位同行。他也在用AI写代码，这很正常，我也用。但让我忍俊不禁的是，他为了解决一个极其基础的问题，竟然在和AI反复“拉扯”。那个问题是什么呢？仅仅是一个CSS元素的居中，或是一个忘记绑定onClick点击事件的低级Bug。
我内心的独白是：“简直可笑，花几分钟学一下CSS的Flexbox布局，不比你这样反复试错问AI快得多吗？”
我当然不会说出口，毕竟萍水相逢，我也不想打击一个年轻工程师的热情。但这情景让我深有感触。AI需要精确的上下文才能给出好答案，你反反复复地对它说“还没居中呢”，其实是在浪费你自己的生命。如果你从不想去理解代码片段之间是如何协同工作的，那你当初又何必选择软件开发这个行业呢？
这让我想起了乔纳森·布洛（Jonathan Blow）一直在警告的那个观点——我们行业的知识体系，正在从根基处“崩溃”。
布洛的核心忧虑是：现代软件建立在层层叠叠的抽象之上，如今的开发者，尤其是新人，越来越依赖顶层的框架和工具（现在又加上了AI），却对底层原理一窍不通。他们知“怎样”让东西跑起来，却不知道“为什么”能跑起来。
当整个行业都建立在“知其然，不知所以然”的基础上时，我们创造的系统会变得异常脆弱。就像今天这位小哥，他遇到的只是个CSS问题。但如果未来遇到的一个底层性能瓶颈或安全漏洞呢？当没有人再理解事物的本质时，我们又该如何去修复和创造真正可靠的东西？
这正是“崩溃”的真实写照——它不是什么末日天启，而是我们作为一个整体，正在逐渐丧失对复杂技术的掌控力。
AI的出现加剧了这种割裂：
- 对于经验丰富的开发者，AI是如虎添翼的杠杆，能将他们从重复劳动中解放出来，专注于更复杂的架构和创造。
- 对于新手而言，AI却成了一个“黑箱”或“许愿机”，让他们跳过了最关键的学习和试错过程，沦为只会提问的“提示工程师”，根基愈发不稳。
这是一个多么吊诡的世界。一方面技术在飞速进步，另一方面，从业者的平均基本功却在退化。
真心希望那位小哥能看到这篇文章，并明白，真正的成长，源于求知本身。
---
作者的观点与我相似，而最近遇到的一些事情让我更加坚信这一点。
学好基本功，AI 才能真正助你一臂之力
0 00
全是反人性的呀：
1、不贪，一是在纷呈的机会中保持定力，专注于自己的事业；二是不要妄求不合理的“以小搏大”
2、不二过，错误不可怕，可怕的是同样的错误重复犯；而要做到不二过，就得每战后都要第一时间总结经验，特别是失败的教训，并从中提炼成可以指导今后工作的简单原则
3、透明度，不要总是搞“密室办公”，除非是公司今后的重大战略规划，不要有那么多的秘密，能够公开的尽可能公开，这样，信息就会畅通无阻
4、品牌至上，不要做伤害品牌的促销等动作，不要做影响品牌价值的偷工减料行为。品牌是一个企业给自己的用户编织的梦想，也一定要用心保护这个梦想
5、尊重逻辑的力量，很多时候，消费者是不知道自己未来想要什么，除非你放到他面前，所以，企业需要尊重逻辑的力量，不要迷信市场调研，逻辑上对的，哪怕还没有人作为，也是大胆尝试
1、不贪，一是在纷呈的机会中保持定力，专注于自己的事业；二是不要妄求不合理的“以小搏大”
2、不二过，错误不可怕，可怕的是同样的错误重复犯；而要做到不二过，就得每战后都要第一时间总结经验，特别是失败的教训，并从中提炼成可以指导今后工作的简单原则
3、透明度，不要总是搞“密室办公”，除非是公司今后的重大战略规划，不要有那么多的秘密，能够公开的尽可能公开，这样，信息就会畅通无阻
4、品牌至上，不要做伤害品牌的促销等动作，不要做影响品牌价值的偷工减料行为。品牌是一个企业给自己的用户编织的梦想，也一定要用心保护这个梦想
5、尊重逻辑的力量，很多时候，消费者是不知道自己未来想要什么，除非你放到他面前，所以，企业需要尊重逻辑的力量，不要迷信市场调研，逻辑上对的，哪怕还没有人作为，也是大胆尝试
今日头条
0 00