5.5 实战：自动化研究助手 Agent

综合本章所学的规划、推理和反思能力，构建一个能够自主进行研究的 Agent。

设计说明：本项目采用"Plan-then-Execute"的多阶段 Pipeline 架构，而非纯 ReAct 循环。这是因为在研究任务中，各阶段（规划→搜索→分析→质量检查）有明确的先后顺序，Pipeline 模式更易于控制流程和调试。在 Pipeline 内部，每个阶段仍然运用了 ReAct 思想——Agent 根据当前阶段的输出"思考"下一步行动，并在质量检查阶段进行"反思"。这体现了第 5.1 节讨论的"将合适的推理框架应用到合适的场景"原则。

前沿定位：本节的研究助手是 Deep Research Agent 的入门形态。真正的 Deep Research Agent 不只是"搜索几次然后总结"，而是能围绕开放问题持续提出子问题、跨来源验证证据、管理引用、识别矛盾，并在多轮研究中逐步收敛结论。

什么是 Auto Research？

Auto Research（自动化研究） 指的是让 Agent 像初级研究员一样，围绕一个开放主题自动完成"提出问题 → 制定计划 → 搜索资料 → 阅读与摘录 → 交叉验证 → 综合成报告 → 自我审查"的完整研究流程。

它和普通搜索最大的区别是：普通搜索关注"找到一个答案"，Auto Research 关注"形成一个可信结论"。因此，Auto Research 不是把搜索引擎结果做摘要，而是把研究过程拆成可追踪、可验证、可迭代的工作流。

一个成熟的 Auto Research Agent 通常包含五个核心模块：

1. 研究规划器：把主题拆解成研究问题、搜索词和报告大纲。
2. 资料收集器：调用搜索、网页阅读、论文检索、数据库查询等工具。
3. 证据管理器：把资料转成"证据卡片"，记录来源、摘要、可信度和关联结论。
4. 综合写作者：按大纲组织材料，生成结构化分析，而不是简单拼接摘要。
5. 质量审查器：检查覆盖度、引用支撑、矛盾信息、时效性和潜在偏见。

代表性前沿工作：Auto Research 的研究脉络

Auto Research 不是凭空出现的产品概念，而是从 长答案问答、浏览器辅助问答、检索增强写作、Web Agent、自动科学发现 等方向逐步演化出来的。下面几篇工作分别代表了这一演化链条中的关键能力。

WebGPT：把"浏览网页"变成可学习的问答行为

• 论文链接：WebGPT: Browser-assisted question-answering with human feedback
• 当时的核心贡献：在 2021 年，这篇论文把"搜索网页—阅读网页—引用证据—生成长答案"变成了一个可以通过模仿学习和人类反馈优化的任务，为后来的浏览器 Agent、Deep Research Agent 和带引用问答系统奠定了早期范式。

OpenAI 的 WebGPT: Browser-assisted question-answering with human feedback 是早期非常重要的工作。它关注的问题是：当模型面对开放域长答案问题时，能否像人一样使用浏览器查资料、摘录证据，并生成带引用的答案？

WebGPT 的核心不是简单接入搜索 API，而是把浏览过程建模成一系列可学习动作：搜索、打开网页、滚动、引用片段、组合答案。研究者再用人类偏好反馈训练模型，让模型学会"哪些浏览轨迹和答案更可信"。这对 Auto Research 的启发是：研究能力不仅来自最终生成，还来自可监督、可评估的资料搜集过程。

从工程角度看，WebGPT 对应本节的三个模块：

• 资料收集器：搜索和浏览不是一次性调用，而是可追踪的行动序列。
• 证据管理器：答案中的关键 claim 应能回到具体网页片段。
• 质量审查器：人类偏好或自动评估可以用来训练"更可信的研究轨迹"。

STORM：用多视角提问生成高质量长文大纲

• 论文链接：Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models
• 当时的核心贡献：在 2024 年，这篇工作把自动研究写作的重点从"直接生成正文"前移到"预写阶段"，提出通过检索和多视角提问来合成主题大纲，让 LLM 更系统地覆盖开放主题的关键维度。

Stanford OVAL 的 STORM: Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking 进一步把问题推进到"从零写一篇类 Wikipedia 长文"。它解决的不是单个问答，而是长篇知识整理中的"预写阶段"：写之前如何决定应该覆盖哪些角度、提出哪些问题、检索哪些材料。

STORM 的关键机制是 多视角提问（multi-perspective question asking）。系统会模拟不同背景的提问者，从多个角度追问同一主题，再基于检索结果合成文章大纲。这样做的意义在于：开放主题最难的不是生成文字，而是知道"还缺哪些维度"。

这对 Auto Research 的启发非常直接：

• 不要只让 Agent 生成一个搜索词，而要让它生成一组互补视角。
• 报告大纲应该来自"问题空间探索"，而不是模型凭直觉列目录。
• 质量评估要检查覆盖度：是否遗漏历史背景、核心机制、争议观点、应用案例和局限性。

MindSearch：用 WebPlanner + WebSearcher 构造深度搜索图

• 论文链接：MindSearch: Mimicking Human Minds Elicits Deep AI Searcher
• 当时的核心贡献：在 2024 年，这篇工作将复杂 Web 搜索显式建模为"规划器构建问题图 + 搜索器逐点检索"的多 Agent 过程，使搜索从一次性查询升级为可扩展、可回溯的深度信息探索。

MindSearch: Mimicking Human Minds Elicits Deep AI Searcher 把深度搜索建模为多智能体协作框架。它的典型架构包含 WebPlanner 和 WebSearcher：前者负责把复杂问题拆成一张动态扩展的子问题图，后者负责针对每个子问题执行搜索和阅读。

MindSearch 的关键价值在于，它不把研究计划看成一次性列表，而看成会随着搜索结果不断扩展的图结构。每当发现新实体、新关系或新缺口，规划器都可以继续添加节点。这使它更接近人类研究过程：先有粗略框架，再在阅读中不断发现新的分支。

对本节实现来说，MindSearch 提醒我们：

• research_questions 不应只是静态数组，可以升级为"研究问题图"。
• 每次搜索结果都应反馈给规划器，决定是否新增子问题。
• 对复杂主题，停止条件不应只是搜索次数，而应是关键节点是否被充分覆盖。

WebSailor：面向高不确定性 Web 任务的后训练范式

• 论文链接：WebSailor: Navigating Super-human Reasoning for Web Agent
• 当时的核心贡献：在 2025 年，这篇工作面向 BrowseComp 这类高不确定性、多跳、强干扰 Web 任务，提出用复杂任务生成、推理轨迹重构和后训练方法，让开源 Web Agent 学会系统性降低不确定性。

2025 年的 WebSailor: Navigating Super-human Reasoning for Web Agent 代表了更前沿的方向：不是只靠 Prompt 让模型会搜索，而是通过专门的数据构造和后训练，让 Web Agent 学会处理高度不确定、路径不明确、需要多跳推理的复杂检索任务。

它关注的任务类似 BrowseComp：答案往往隐藏在多个网页、多个实体和间接线索之间。普通搜索模型容易停在表面结果，而强 Web Agent 需要系统性降低不确定性：先定位线索，再排除干扰，再跨页面验证，最后给出答案。

WebSailor 对 Auto Research 的启发是：

• 高难研究任务需要"主动消除不确定性"，而不是被动摘要搜索结果。
• 训练数据不能只包含答案，还要包含有效的搜索轨迹和推理轨迹。
• 复杂 Web Agent 的能力来自"检索 + 推理 + 验证"的联合训练，而不是单独增强某一个模块。

The AI Scientist：从研究报告走向自动科学发现

• 论文链接：The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery
• 当时的核心贡献：在 2024 年，这篇工作把研究 Agent 从"写综述/报告"推进到"提出研究想法、写代码实验、分析结果、撰写论文、模拟评审"的端到端自动科学发现流程，展示了开放式科研自动化的雏形。

Sakana AI 等提出的 The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 把 Auto Research 推向更激进的方向：不只是写研究综述，而是尝试自动提出研究想法、检索相关工作、设计实验、运行代码、分析结果、撰写论文，甚至进行自动评审。

这类系统还远不能替代真正的科学家，但它揭示了 Auto Research 的上限形态：研究 Agent 不再只是"资料整理器"，而可能成为"假设生成器 + 实验执行器 + 论文写作者 + 审稿人"的组合系统。

对工程实践的启发是：如果研究对象涉及可实验验证的问题，就不能只停留在网页检索，还需要加入：

• 实验计划生成：把研究问题转化为可执行实验。
• 代码执行环境：运行实验并记录结果。
• 结果解释器：区分真实发现、偶然波动和实验错误。
• 自动评审器：从新颖性、有效性、可复现性角度审查结论。

论文脉络小结

上面的工作更像是 Auto Research 的“能力地基”：WebGPT 解决浏览与引用，STORM 解决多视角大纲，MindSearch 解决动态搜索图，WebSailor 解决高不确定性 Web 推理，The AI Scientist 解决从研究报告到实验闭环的延伸。真正进入 2025 年之后，前沿焦点进一步从“能不能做研究”转向三个更硬的问题：能否产品化地完成长程研究任务、能否被高难基准稳定评测、能否用开源模型和开源框架复现闭源 Deep Research 能力。

2025–2026 的前沿进展：从研究原型到 Deep Research 竞赛

如果只介绍上面的论文，确实会显得“不够前沿”。因为 2025 年之后，Auto Research 已经不再只是论文里的研究原型，而是变成了闭源产品、开源框架、专用模型和评测基准共同竞争的方向。

OpenAI Deep Research：把长程研究流程产品化

• 官方链接：Introducing deep research
• 核心贡献：2025 年，OpenAI 将 Deep Research 作为面向真实用户的 Agent 能力推出，把“研究计划 → 多轮浏览 → 做笔记 → 证据整合 → 生成带引用报告”包装成可交互的产品流程。

它的重要性不在于提出了某个单点算法，而在于把 Auto Research 从“模型能不能联网搜索”推进到“能否在几十分钟内完成一个人类研究员需要数小时的信息综合任务”。这意味着 Deep Research 的评价标准不再只是回答准确率，还包括报告结构、证据覆盖、引用质量、任务坚持度和不确定性表达。

BrowseComp：用“难找但易验证”的问题评测浏览型 Agent

• 项目链接：OpenAI simple-evals / BrowseComp
• 核心贡献：2025 年，OpenAI 发布 BrowseComp，用 1266 个高难网页检索问题评估 Agent 在真实 Web 上寻找隐藏信息的能力，问题通常需要跨多个网页、多跳线索和较长浏览轨迹才能回答。

BrowseComp 的价值在于，它把 Web Agent 的评测从“是否能回答简单事实”升级为“是否能在开放互联网中定位难以直接搜索到的信息”。这对 Auto Research 很关键：一个真正的研究 Agent 不能只会读搜索结果首页，而要会在噪声中追踪线索、排除干扰、验证唯一答案。

BrowseComp-ZH：中文互联网让 Deep Research 更难

• 论文链接：BrowseComp-ZH: Benchmarking Web Browsing Ability of Large Language Models in Chinese
• 核心贡献：2025 年，BrowseComp-ZH 将高难浏览评测扩展到中文互联网，强调中文语境下的信息碎片化、平台分散、表达省略、搜索入口差异和多跳线索问题。

这项工作提醒我们：Deep Research 不是把英文 Web Agent 平移到中文就可以解决。中文互联网有大量信息分布在百科、新闻、论坛、政务网站、社交平台和视频平台中，关键词常常不直接命中答案。因此，中文 Auto Research Agent 需要更强的查询改写、实体消歧、跨平台检索和来源可信度判断能力。

Open Deep Research：开源框架开始复现 Deep Research 工作流

• 项目链接：LangChain Open Deep Research
• 核心贡献：LangChain 的 Open Deep Research 把 Deep Research 的工程模式开源化，用 LangGraph 等组件实现研究计划、搜索、内容读取、报告生成和人工反馈调整，让开发者可以复现和定制研究 Agent 流程。

它的意义在于推动 Deep Research 从闭源能力走向可组合工程框架。对开发者来说，重点不只是“调用哪个模型”，而是如何设计状态机、如何管理中间笔记、如何控制并发搜索、如何把用户反馈反馈到报告计划中。

Tongyi DeepResearch：开源专用 Deep Research 模型与系统

• 项目链接：Alibaba-NLP DeepResearch
• 模型链接：Tongyi-DeepResearch-30B-A3B
• 核心贡献：2025 年，通义 DeepResearch 将 Deep Research 从“通用模型 + Agent 框架”推进到“面向长周期深度信息搜索任务训练的专用开源模型与系统”，并围绕数据生成、持续训练、强化学习、推理和评估形成完整工程栈。

这代表了一个重要趋势：未来的 Deep Research 可能不会完全依赖通用对话模型加 Prompt，而会出现专门为搜索轨迹、证据整合、长程推理和报告生成优化的 Agent 模型。

DeepResearch Bench / BrowseComp-Plus：评测从单题答案走向端到端报告质量

• 项目示例：BrowseComp-Plus
• 核心贡献：2026 年前后，评测开始从“给出一个可验证答案”扩展到“评估完整研究报告”。新的评测更关注全面性、洞察力、指令遵循、可读性、引用质量和端到端研究流程表现。

这说明 Auto Research 的前沿评测正在分化成两类：一类像 BrowseComp，考察 Agent 是否能找到隐藏事实；另一类像 DeepResearch Bench，考察 Agent 是否能产出高质量研究报告。前者更像“搜索推理能力测试”，后者更像“研究员工作质量测试”。

前沿脉络小结

因此，一个更前沿的 Auto Research Agent 不应只停留在“搜索 + 总结”。它需要综合这些进展：像 WebGPT 一样保留证据，像 STORM 一样多视角提问，像 MindSearch 一样维护问题图，像 WebSailor 一样主动降低不确定性，像 OpenAI Deep Research 一样产品化长程流程，像 BrowseComp/BrowseComp-ZH 一样接受高难检索评测，并进一步吸收 Open Deep Research 和 Tongyi DeepResearch 的工程化、开源化和训练化经验。

Auto Research 的典型工作流

用户主题
  ↓
研究问题拆解
  ↓
生成搜索计划与资料来源列表
  ↓
多轮搜索与阅读
  ↓
提取证据卡片
  ↓
交叉验证与冲突检测
  ↓
生成报告初稿
  ↓
自我审查：是否遗漏关键维度？引用是否支持结论？
  ↓
补充检索或输出最终报告

在工程上，最重要的是让 Agent 始终知道自己"为什么要搜这一次"。一次好的搜索不应该只是关键词命中，而应该对应一个明确的研究缺口：

• 概念缺口：还没有定义清楚核心概念。
• 事实缺口：缺少关键数据、时间线或案例。
• 证据缺口：已有结论没有可靠来源支持。
• 反例缺口：只看到了支持观点，没有看到反方观点。
• 时效缺口：资料可能过旧，需要最新信息验证。

Auto Research 的工程挑战

Auto Research 看起来像"多调用几次搜索工具"，但真正难点在于长程任务控制。

实践建议：Auto Research 的目标不是"穷尽所有资料"，而是在给定时间和成本预算内，最大化结论的可信度、覆盖度和可追溯性。

从 Search Agent 到 Deep Research Agent

传统搜索 Agent 的目标是"找到答案"；Deep Research Agent 的目标是"形成可信结论"。二者的差异不在于是否联网，而在于是否具备长程研究流程。

可以把 Deep Research Agent 理解为由多个子能力组成的研究流水线：

本节代码为了教学简洁，只实现其中的核心骨架：规划、搜索、综合、质量检查。你可以在此基础上逐步扩展成完整的 Deep Research Agent。

研究助手功能设计

完整实现

import json
import datetime
from openai import OpenAI
import requests

client = OpenAI()

class ResearchAssistant:
    """自动化研究助手"""
    
    def __init__(self):
        self.research_notes = []
        self.sources = []
    
    def _search(self, query: str) -> str:
        """搜索工具（使用 DuckDuckGo）"""
        try:
            url = "https://api.duckduckgo.com/"
            params = {"q": query, "format": "json", "no_html": 1}
            response = requests.get(url, params=params, timeout=8)
            data = response.json()
            
            results = []
            if data.get("AbstractText"):
                results.append(data["AbstractText"])
                if data.get("AbstractURL"):
                    self.sources.append(data["AbstractURL"])
            
            for topic in data.get("RelatedTopics", [])[:3]:
                if isinstance(topic, dict) and topic.get("Text"):
                    results.append(topic["Text"][:300])
            
            return "\n".join(results) if results else "未找到相关结果"
        except Exception as e:
            return f"搜索失败：{e}"
    
    def _take_notes(self, content: str, source: str = ""):
        """记录研究笔记"""
        self.research_notes.append({
            "content": content,
            "source": source,
            "time": datetime.datetime.now().isoformat()
        })
    
    def research(self, topic: str, depth: str = "standard") -> str:
        """
        执行研究
        
        Args:
            topic: 研究主题
            depth: "quick"=快速概览, "standard"=标准研究, "deep"=深度研究
        """
        
        depth_config = {
            "quick": {"max_searches": 2, "sections": 3},
            "standard": {"max_searches": 4, "sections": 5},
            "deep": {"max_searches": 8, "sections": 7}
        }
        config = depth_config.get(depth, depth_config["standard"])
        
        print(f"\n🔬 开始研究：{topic}")
        print(f"研究深度：{depth}\n")
        
        # ===== 阶段1：规划研究 =====
        print("📋 阶段1：制定研究计划...")
        plan_response = client.chat.completions.create(
            model="gpt-4.1",
            messages=[
                {
                    "role": "user",
                    "content": f"""你是一位研究分析师。为以下主题制定研究计划：

主题：{topic}
研究目标：全面理解该主题，生成{config['sections']}个核心章节的报告

请生成JSON格式的研究计划：
{{
  "research_questions": ["核心问题1", "核心问题2", ...],
  "search_queries": ["搜索词1", "搜索词2", ...（最多{config['max_searches']}个）],
  "report_outline": ["章节1标题", "章节2标题", ...]
}}"""
                }
            ],
            response_format={"type": "json_object"}
        )
        
        plan = json.loads(plan_response.choices[0].message.content)
        search_queries = plan.get("search_queries", [topic])[:config["max_searches"]]
        report_outline = plan.get("report_outline", [f"{topic}概述"])
        
        print(f"  搜索计划：{len(search_queries)} 个查询")
        print(f"  报告结构：{len(report_outline)} 个章节")
        
        # ===== 阶段2：搜索信息 =====
        print("\n🔍 阶段2：搜索信息...")
        all_findings = []
        
        for i, query in enumerate(search_queries, 1):
            print(f"  搜索 [{i}/{len(search_queries)}]：{query}")
            result = self._search(query)
            
            self._take_notes(result, source=f"搜索：{query}")
            all_findings.append(f"【查询：{query}】\n{result}")
        
        findings_text = "\n\n".join(all_findings)
        
        # ===== 阶段3：分析和综合 =====
        print("\n🧠 阶段3：分析综合...")
        
        analysis_response = client.chat.completions.create(
            model="gpt-4.1",
            messages=[
                {
                    "role": "user",
                    "content": f"""基于以下研究资料，对主题"{topic}"进行深度分析。

研究资料：
{findings_text[:4000]}

报告大纲：{report_outline}

请按大纲生成完整的研究报告，要求：
1. 每个章节有实质性内容（200-400字）
2. 包含具体的数据、案例或观点
3. 在报告末尾给出结论和建议
4. 使用Markdown格式"""
                }
            ]
        )
        
        report = analysis_response.choices[0].message.content
        
        # ===== 阶段4：质量检查 =====
        print("\n✅ 阶段4：质量检查...")
        
        review_response = client.chat.completions.create(
            model="gpt-4.1-mini",
            messages=[
                {
                    "role": "user",
                    "content": f"""简要评估以下研究报告的质量（JSON格式）：

主题：{topic}
报告（前1000字）：{report[:1000]}

评估：
{{
  "completeness_score": 1-10,
  "accuracy_indicators": "高/中/低",
  "missing_aspects": ["遗漏点1"],
  "overall_quality": "优秀/良好/一般"
}}"""
                }
            ],
            response_format={"type": "json_object"}
        )
        
        review = json.loads(review_response.choices[0].message.content)
        
        # 生成最终报告
        final_report = f"""# 研究报告：{topic}

> 生成时间：{datetime.datetime.now().strftime('%Y-%m-%d %H:%M')}
> 研究深度：{depth}
> 质量评分：{review.get('completeness_score', 'N/A')}/10
> 信息来源：{len(self.research_notes)} 条

---

{report}

---

## 研究说明

- 本报告基于 {len(search_queries)} 次网络搜索
- 信息截止日期：{datetime.datetime.now().strftime('%Y-%m-%d')}
- 建议结合最新资料进行验证
"""
        
        print(f"\n📄 报告生成完成！")
        print(f"质量：{review.get('overall_quality', 'N/A')} | "
              f"完整性：{review.get('completeness_score', 'N/A')}/10")
        
        return final_report


# 使用示例
assistant = ResearchAssistant()

report = assistant.research(
    topic="大语言模型在软件开发中的应用",
    depth="standard"
)

# 保存报告
filename = f"research_report_{datetime.datetime.now().strftime('%Y%m%d_%H%M')}.md"
with open(filename, 'w', encoding='utf-8') as f:
    f.write(report)

print(f"\n📁 报告已保存到：{filename}")

关键代码解读

这个研究助手虽然代码不长，但已经具备 Deep Research Agent 的雏形：

• 规划阶段：先生成 research_questions 和 search_queries，避免边搜边迷路。
• 信息收集阶段：每次搜索都写入 research_notes，形成可追溯的研究轨迹。
• 综合阶段：不是简单拼接搜索结果，而是按 report_outline 重组信息。
• 质量检查阶段：引入第二次模型调用评估覆盖度，模拟研究员的自审流程。

如果要把它升级为生产级 Deep Research Agent，建议补上四个模块：

Deep Research Agent 的关键不是"多搜"，而是让每一次搜索都服务于一个明确的研究缺口。这也是长程规划能力在真实 Agent 应用中的典型落点。

运行研究助手

pip install openai python-dotenv requests rich
python research_agent.py

示例输出：

# 研究报告：大语言模型在软件开发中的应用

> 生成时间：2024-03-15 14:30
> 研究深度：standard
> 质量评分：8/10

## 1. 概述
...

## 2. 代码生成与补全
...

## 3. 代码审查与 Bug 检测
...

参考文献

1. Nakano et al. WebGPT: Browser-assisted question-answering with human feedback. OpenAI, 2021.
2. Shao et al. Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models. Stanford OVAL, 2024.
3. Chen et al. MindSearch: Mimicking Human Minds Elicits Deep AI Searcher. 2024.
4. Li et al. WebSailor: Navigating Super-human Reasoning for Web Agent. Alibaba Tongyi Lab, 2025.
5. Lu et al. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery. Sakana AI, 2024.
6. OpenAI. Introducing Deep Research. 2025.
7. OpenAI. BrowseComp in simple-evals. 2025.
8. Li et al. BrowseComp-ZH: Benchmarking Web Browsing Ability of Large Language Models in Chinese. 2025.
9. LangChain AI. Open Deep Research. 2025.
10. Alibaba-NLP. Tongyi DeepResearch. 2025.
11. Alibaba-NLP. Tongyi-DeepResearch-30B-A3B. 2025.
12. Texttron. BrowseComp-Plus: A More Fair and Transparent Evaluation Benchmark of Deep-Research Agent. 2026.

小结

本节完成了一个自动化研究助手，并展示了 Deep Research Agent 的基础架构：

• ✅ 研究计划生成：把开放主题拆成问题和搜索词
• ✅ 多轮信息收集：记录搜索结果和来源
• ✅ 分析综合：按大纲生成结构化报告
• ✅ 质量检查：对完整性和遗漏点进行自审
• ✅ 可扩展方向：证据卡片、反向搜索、引用检查、研究状态机

真正的 Deep Research Agent 是"长程规划 + Web/文档工具 + 证据治理 + 质量评估"的组合体。它会在后续的 Web Agent、上下文工程、评估与安全章节中继续展开。

下一节：5.6 Plan-and-Execute 与 Test-time Compute Scaling