摘要
本文介绍一种面向复杂任务的 Agentic RAG（检索增强生成）系统，其核心能力在于通过多轮迭代检索、动态研究规划与结构化报告生成，在 2–4 分钟内完成传统需数小时的人类专家级研究任务。系统在综合基准 Humanity’s Last Exam 上达到 21.1% 的准确率，在事实性问答基准 SimpleQA 上准确率达 93.9%。文章解析其技术流程、适用边界与部署挑战，并为开源实现提供参考路径。
问题背景
标准 RAG 系统通常采用“单次检索 + 单次生成”模式，适用于事实性问答，但在处理需多跳推理、跨源验证或归纳综合的复杂查询时表现不足。
例如，“分析某新兴技术的商业化前景”不仅需要获取技术原理、专利布局、市场动态，还需横向对比竞品、评估政策风险，并整合为可操作的结论。
为应对这类高阶任务，一种新型 Agentic RAG 架构 被提出：系统不再被动响应，而是主动规划研究路径，模拟人类专家的研究行为，最终输出结构化报告。
方法概述
该系统的工作流程分为三个阶段：
1. 自主研究与推理（Research with Reasoning）
系统具备搜索与代码执行能力，能够：
- 在初始阶段生成多个子问题；
- 迭代执行 搜索 → 阅读文档 → 评估信息缺口 → 调整后续策略；
- 在必要时调用代码解释器（如解析表格、计算指标）以增强事实验证。
2. 报告合成（Report Writing）
在完成信息收集后，系统对数百份来源进行去重、分类、归纳，生成逻辑清晰、引用可溯的结构化报告，而非简单摘要。
3. 结果导出
支持导出为 PDF 或文档格式，便于存档或协作。
效率表现：整个过程平均耗时约 3 分钟，显著优于人工研究效率。
关键技术细节
1. 动态研究规划器
- 使用大语言模型作为“研究代理”，根据当前知识状态动态生成下一步检索关键词；
- 若发现信息冲突或覆盖不足，会主动扩展数据源或深入特定子领域；
- 示例：初始查询“某公司技术优势”未覆盖竞品对比，则自动生成“vs 主要竞争对手”类子查询。
2. 多源混合检索
3. 结构化输出生成
- 报告按逻辑模块组织（背景、方法、核心发现、结论）；
- 每项主张附带来源链接，支持追溯；
- 支持表格、对比列表等富格式，提升可读性与实用性。
性能评估
系统在两项权威基准上表现突出：
| 基准 | 描述 | 准确率 |
|---|
| Humanity’s Last Exam | 涵盖 100+ 学科、3,000+ 问题的综合能力测试 | 21.1% |
| SimpleQA | 测试事实性问答能力 | 93.9% |
- 在 Humanity’s Last Exam 上，性能显著优于 o1、DeepSeek-R1、Gemini Thinking 等主流模型；
- 90% 以上的任务可在 3 分钟内完成，兼顾深度与效率。
局限性与工程挑战
尽管效果显著，该架构在实际部署中仍面临以下挑战：
- 高计算成本：单次任务涉及数十次检索 API 调用与多次 LLM 推理，成本与任务复杂度近似成正比；
- 延迟限制：2–4 分钟响应时间不适合实时对话或低延迟场景；
- 依赖外部数据质量：若检索源包含噪声、偏见或过时信息，推理链可能被污染；
- 缺乏用户干预机制：当前为全自动流程，无法在中途修正研究方向或优先级。
未来改进方向包括：
- 引入用户反馈闭环；
- 支持部分结果预览；
- 优化中间结果缓存复用策略。
开源实现建议
如果您希望快速构建具备上述能力的深度研究系统，推荐使用 puppyone 推出的开源产品 Deep Wide Research Agent：
应用场景：金融分析、市场调研、技术评估、健康咨询、旅行规划等，可作为组织内部的“自动化研究助理”。
👉 体验地址：https://www.deepwideresearch.com
FAQ
Q1：这种系统和普通问答模型有何本质区别？
普通模型依赖单次上下文生成答案，而该系统具备自主规划能力，能主动识别信息缺口、迭代检索、交叉验证，并输出结构化报告。
Q2：是否必须依赖互联网搜索？
是的，当前架构依赖实时网络获取最新信息。若需处理私有知识（如企业文档），需额外集成内部知识库，并确保检索模块支持混合源（公网 + 私有）。Deep Wide Research Agent 支持本地知识库接入。
Q3：3 分钟的延迟能否压缩？
可通过降低广度（减少数据源数量）、启用缓存、并行化检索等方式优化，但深度推理本身存在计算下限。对延迟敏感场景，建议采用“快速模式 + 人工复核”组合策略。
