摘要
2025 年，检索增强生成（RAG） 正经历从“静态管道”向“自主代理”的范式迁移。OpenAI 的 Deep Research 展示了这一方向的潜力：通过多步规划、工具调用与动态推理，将复杂研究任务压缩至分钟级。然而，其封闭架构与固定策略难以满足企业对可控性、成本效率与数据主权的需求。本文提出 Open Deep Wide Research（ODWR）——一个开源、MCP 兼容、支持运行时策略调节的 Agentic RAG 框架，旨在复现 Deep Research 的核心能力，同时赋予开发者对深度、广度与延迟的精细控制权。
问题背景：RAG 的演进瓶颈
传统 RAG 系统采用“检索 → 重排 → 生成”的线性流程，适用于事实性问答，但在以下场景中表现不足：
- 多跳推理：如“对比三家 AI 公司在 2024–2025 年的开源策略及其对开发者生态的影响”；
- 异构数据融合：需同时解析网页、PDF 技术白皮书与用户上传的 CSV 报表；
- 动态任务调整：当初始检索结果质量低时，无法自主修正查询或切换数据源。
OpenAI 的 Deep Research 通过引入**代理式架构** 解决了这些问题：它将任务分解为子目标，调用浏览器与 Python 工具，实时调整策略，并输出带引用的结构化报告。这一设计验证了 Agentic RAG 的可行性，但也暴露了关键局限：黑盒模型、无自定义工具链、缺乏资源调度接口。
方法借鉴：从 Deep Research 提炼核心机制
我们分析 Deep Research 的公开技术描述（OpenAI, 2025），提炼出三个可复用的设计原则：
- 分层任务规划：将用户指令转化为可执行的研究路径（如“识别竞品 → 收集参数 → 交叉验证 → 生成对比表”）；
- 工具协同执行：集成网络浏览器、代码解释器与文件解析器，形成闭环；
- 证据驱动输出：每项结论均关联原始来源，支持溯源与验证。
这些机制可通过 MCP（Model Context Protocol） 标准化封装。MCP 定义了代理与工具之间的上下文传递、状态同步与错误恢复协议，使不同组件（如 LLM、爬虫、数据库）可即插即用。
实践落地：Open Deep Wide Research 架构
基于上述洞察，我们开发了 Open Deep Wide Research（ODWR），一个开源、自托管的 Agentic RAG 系统，具备以下特性：
- 代理控制器遵循 MCP 规范，支持动态加载工具（如 Selenium 浏览器、PDF 解析器、SQL 查询引擎）；
- 上下文以结构化 JSON 传递，包含任务状态、已访问 URL、引用片段与置信度评分。
2. 三维度可调策略
用户可在运行时指定：
- Depth（深度）：最大推理步数（1–10 步），控制逻辑复杂度；
- Width（广度）：并行检索源数量（5–100+），影响信息覆盖；
- Latency Budget（延迟预算）：硬性截止时间（30s–30min），超时自动降级。
示例：轻量模式（Depth=2, Width=10, Latency=2min）适用于产品对比；深度模式（Depth=8, Width=50, Latency=20min）用于科研综述。
3. 混合检索 与重规划机制
4. 开源与自托管
与 Deep Research 的对比
引流：立即体验 ODWR 能力
我们已在 puppyone 平台上集成 ODWR 的简化版，供用户快速构建企业级 Agentic RAG 应用：
- 上传技术文档，自动生成竞品分析报告；
- 连接内部数据库，实现“自然语言查询 + 外部研究补充”；
- 部署为客服机器人，自动引用政策文件与用户手册。
puppyone 支持免费试用，并提供 Professional 计划用于团队协作与高并发场景。欢迎访问 https://www.puppyone.ai/ 开启你的 Agentic RAG 实践。
FAQ
Q1：ODWR 能否替代 Deep Research？
在功能上可覆盖其 80% 以上场景，尤其适合需数据隐私、成本控制或定制工具的企业。但对于依赖 OpenAI 专有模型（如 o3）的极端复杂任务，性能可能略低。
Q2：是否需要编程基础才能使用？
通过 puppyone 的图形界面，非技术人员可配置任务模板；开发者则可通过 MCP API 深度定制代理行为。
Q3：如何控制成本？
ODWR 允许设置最大 token 消耗、工具调用次数与超时阈值，并支持切换至轻量模型（如 o4-mini 或 DeepSeek-Lite），显著降低推理开销。
