面试题 · Agent
请解释DeepResearch或类似深度研究Agent的工作原理、技术架构和典型应用场景。
DeepResearch是自主式深度研究Agent，区别于传统RAG的单轮检索-生成模式，它能像研究员一样进行多轮探索、验证和综合。
1. 规划层（Planning）
2. 执行层（Execution）
学习内容与项目面试，在同一条路上。
3. 整合层（Synthesis）
| 维度 | 传统RAG | DeepResearch |
|---|---|---|
| 交互模式 | 单次检索 | 多轮主动探索 |
| 检索策略 | 静态query | 动态生成、迭代优化 |
| 信息处理 | 片段拼接 | 深度阅读+逻辑整合 |
| 输出质量 | 回答片段 | 完整研究报告 |
场景切入
假设你现在要做一个行业调研Agent，用户给个主题比如“2025年低空经济市场分析”，它不能只搜一次就回答，而是要像研究员一样多轮搜索、验证、整合。你觉得这个系统应该怎么设计？核心流程是什么样的？
层层追问
你了解RAG对吧？……那如果需求升级，不是用户问一句你答一句，而是Agent自己决定搜什么、怎么搜、搜完还得写一份完整报告，这比普通RAG多了哪些步骤？……它的循环结构大概是什么样的？每一步的输入输出是什么？
直球架构
请解释DeepResearch这种深度研究Agent的工作原理和技术架构。它的核心循环是什么？怎么拆解问题、搜索、阅读、反思、整合？跟传统RAG比，关键差异在哪里？举一个实际应用场景说明它的优势。
这道题问的是DeepResearch这类深度研究[[Agent]]，其实本质在考我们对Agent自主性的理解，不是[[RAG]]的简单升级，而是从被动回答变成主动探索。
我来说说它的工作原理。核心是一个循环式的“规划-执行-整合”流程。接到一个研究主题后，它会先自主拆解成子问题树，比如研究“新能源汽车电池回收”，它会拆成政策、技术路线、市场规模这些子方向。然后执行层开始干活，先搜索、再阅读提取关键信息，然后反思，这里的信息够不够？有没有矛盾？缺口在哪？决定是继续搜还是换个角度。最后整合层做交叉验证、结构化输出，生成带引用的报告。整个过程像人类研究员一样，方向会动态调整。
这里有个关键边界划分：它和传统RAG本质区别在哪？传统RAG是一次检索加一次生成，适合回答事实性问题，比如“退货流程是什么”。但深度研究Agent是多轮主动探索，适合开放式的复杂调研。真正落地时，我倾向把两者组合。比如用户问“退货流程”，走RAG快速回答；如果问“分析今年电商退货率上升的原因”，就触发Agent去多角度搜索、对比数据、生成报告。这样效率和质量都能兼顾。
举个例子，行业调研场景。假设要研究“新能源电池回收”的市场前景。传统做法是搜几篇文章拼一拼，但Agent会先规划：政策、技术、竞争格局、市场规模。然后搜索，发现政策方面有多个文件，它会对比时间线和效力；技术方面读到湿法和干法回收的争议，它会进一步搜争议点、找权威报告验证。最后整合成一份报告，包含关键发现、数据来源和置信度标注。
落地时有个大坑：信息可信度。Agent搜到的网页质量参差不齐，它可能采信了自媒体文章导致结论偏颇。所以上线前我会特别关注[[Faithfulness]]评估，用[[Self-RAG]]机制让模型自己判断来源可靠性，或者加入[[Chain-of-Verification]]，让Agent对关键事实做二次验证。另外成本也得控，多轮调用Token消耗大，我会设最大搜索轮次，或者用[[ReAct]]模式让Agent在低置信度时才触发搜索。
还有一个延伸点：当研究主题非常窄、网上信息匮乏时，深度研究Agent容易陷入死循环或产出低质量报告。我考虑引入用户交互机制，让Agent在遇到瓶颈时主动提问，比如“关于这个细分技术，您有推荐的资料源吗？”这样既提升效果，也减少无效搜索。
所以总结一下，我会把深度研究Agent看成一种增强型研究工具，不是替代人类。它擅长广度覆盖和初步分析，但深度判断和决策还得靠人。我更倾向在实际系统中把它做成可配置的模块，根据任务复杂度动态决定是否启用。