DeepSearch 与 DeepResearch 的设计和实现

在 Deepseek-R1 之后，我们对下一代搜索技术的思考。

原标题：DeepSearch 与 DeepResearch 的设计和实现
文章来源：人工智能学家
内容字数：17880字

深度搜索（Deep Search）和深度研究（DeepResearch）的崛起：2025年搜索新标准

本文总结了深度搜索（Deep Search）和深度研究（DeepResearch）的技术原理、实现细节以及两者之间的区别，并对未来搜索技术发展趋势进行了展望。

1. Deep Search 的核心概念及实现

   Deep Search并非全新概念，其本质是迭代式的检索增强生成（RAG）或多跳问答。其核心是通过搜索、阅读和推理三个环节的循环往复，直到找到最佳答案或耗尽资源。与传统的RAG系统不同，Deep Search执行多次迭代，需要明确的停止条件（例如token限制或失败尝试次数）。它可以被视为一个配备网络工具的LLM Agent，通过分析观察结果和操作记录来决定下一步行动。

   Deep Search 的实现依赖于：长上下文LLM、推理模型（如Deepseek-r1）、查询重写机制（利用embedding模型进行去重）、网页抓取和内容处理（Jina Reader）、内存管理、答案评估机制以及预算控制策略。其中，FIFO队列用于管理知识空白问题，优先处理能够构建必要知识基础的子问题。

2. DeepResearch：基于Deep Search 的长篇研究报告生成

   DeepResearch是在Deep Search基础上构建的用于生成长篇研究报告的框架。它从创建目录开始，系统性地将 DeepSearch 应用于报告的每个部分，最终整合所有章节，并进行整体连贯性修订。DeepResearch 的成功依赖于高质量的Deep Search引擎以及对报告结构、可视化元素和语言流畅性的有效控制。

   文章作者分享了他们过去失败的“Research”项目的经验教训，包括报告质量、搜索结果可靠性、可读性和冗余问题等，这些经验促进了他们对DeepSearch和DeepResearch的改进。

3. Deep Search vs DeepResearch

   Deep Search是DeepResearch的构建模块，DeepResearch则更关注高质量长篇研究报告的生成，涉及更复杂的系统工程，包括章节结构、可视化、语言流畅性等方面，这些与底层搜索功能并非直接相关。因此，文章作者更重视Deep Search 的发展。

4. Deep Search 的关键技术及实现细节

   文章详细介绍了Deep Search 的核心循环机制，包括系统提示词的设计（使用XML标签）、知识空白问题的处理（FIFO队列）、查询重写、网页内容爬取、内存管理、答案评估和预算控制等。其中，预算控制不仅是为了节省成本，更是为了鼓励更深入的思考，并避免过早返回答案， “野兽模式”确保在预算耗尽前给出答案。

5. 对未来搜索技术发展趋势的展望

   文章总结了Deep Search 开发过程中的经验教训，认为长上下文LLM、查询扩展、网页搜索和阅读能力是必不可少的要素。向量模型在去重任务上表现出色，而Agent框架则显得不必要。作者建议拥抱LLM的原生能力，避免被框架束缚，并强调多语言支持的重要性。

联系作者

文章来源：人工智能学家
作者微信：
作者简介：致力成为权威的人工智能科技媒体和前沿科技研究机构