AI Agent 深度研究（Deep Research）架构全景
执行摘要
核心结论：Deep Research 是第一个真正跨越"原型→生产"鸿沟的 Agent 模式。18 个月内，四大实验室 + 中国厂商全部入局，所有严肃实现收敛到同一套 Scope → Research → Write 三阶段管线 与 Orchestrator-Worker 多智能体架构。2026 年的三大变化：①"专用研究模型"正在消亡，被"Agent 会话 + effort 档位"取代；②开源生态大洗牌——LangChain open_deep_research 已归档、Stanford STORM 事实死亡，DeerFlow 2.0 转型通用 SuperAgent 基座；③Token 消耗（多智能体 15x）解释了 BrowseComp 80% 的性能方差，成本-深度权衡成为产品设计主轴。
一、品类崛起：18 个月从 0 到全员入局
Deep Research Agent 的定义：接受开放式问题 → 自主规划研究策略 → 跨 Web 与私有数据拉取数十至数百个信源 → 输出带内联引用的长报告。它不是 chat completion，不是 RAG 检索，也不是单次函数调用——它运行数分钟到一小时、消耗海量 token、产出一份相当于人类分析师一整天工作量的文档。
关键时间线：
2024.12 — Google 在 Gemini Advanced 中首发 Gemini Deep Research，第一个以此命名的大众产品
2025.02.02 — OpenAI 发布 Deep Research（o3 + 端到端 RL 训练浏览推理），HLE 26.6%，首发即阶跃
2025.02.04 — Hugging Face 用 smolagents 24 小时复刻开源版，GAIA 55.15%（超越此前开源 SOTA Magentic-One 的 46%）
2025.02.15 — Perplexity Deep Research 全量免费开放（基于微调 DeepSeek-R1）
2025.06.13 — Anthropic 公开 Claude Research 工程细节：orchestrator-worker 多智能体架构 + 15x token + "终态评估"方法论，成为该领域最重要的工程文档
2025.06.26 — OpenAI 通过 Responses API 发布 o3-deep-research / o4-mini-deep-research，Deep Research 首次成为可编程调用的模型
2025.07.16 — LangChain 开源 Open Deep Research（LangGraph 三阶段管线参考实现）
2026.02.10 — ChatGPT Deep Research 加入 MCP 与连接器支持、实时进度、可信站点白名单
2026.02.28 — 字节 DeerFlow 2.0 登顶 GitHub Trending，转型"长时程 SuperAgent 基座"
2026.03.18 — NVIDIA GTC 发布 AI-Q Blueprint（LangChain Deep Agents + NeMo Agent Toolkit + Nemotron），面向本地化企业部署
2026.04 — Google 通过 Interactions API 发布 Gemini Deep Research Agent：协作式规划（用户可审阅/修改研究计划再执行）+ MCP + 双档位模型
2026.07 — OpenAI 关停专用 deep-research 模型线；
2026.09.27 — Perplexity sonar-deep-research API 停止支持
范式转折信号："深度研究专用模型"作为一个 model ID 正在消失。OpenAI、Perplexity、Google、Anthropic、xAI 全部转向"Agent 会话 + effort 旋钮"（effort tiers 成为新产品形态）。xAI grok-4.20-multi-agent 用 reasoning.effort 直接选择 4/16 个并行 agent；You.com Research API 五档 effort 价差达 100 倍（$12→$1,200/千次）。
二、核心架构解构：所有严肃实现收敛的三阶段管线
OpenAI、Anthropic、Google、LangChain、NVIDIA AI-Q 的实现内部形态各异，但阶段边界完全一致：Scope（定界）→ Research（研究）→ Write（写作）。

Phase 1: Scope — 被低估的关键阶段
用户几乎从不一次写出上下文充分的研究请求。OpenAI 用一个快速小模型（gpt-4.1 / gpt-5.5 级）先提澄清问题、重写 prompt，再交给深度研究模型；LangChain 称之为 brief generation——把聊天压缩为一份聚焦文档，作为整次运行的"北极星"。跳过 Scope，下游每一个 token 都瞄错靶子。 Google 走得更远：协作式规划把研究计划显式暴露给用户审阅修改后再执行，是目前对"意图误解"问题最干净的 UX 方案。
Phase 2: Research — Orchestrator-Worker 多智能体
Lead Agent 把 brief 分解为可安全并行的子课题，派生拥有隔离上下文窗口的 Sub-Agent；每个 Sub-Agent 跑自己的工具循环（搜索→开页→抽取→有时代码解释器），返回清洗压缩后的发现而非原始网页。Lead 反思缺口，决定追加派生或收敛。Anthropic 给出的资源分配经验法则：
任务复杂度
Sub-Agent 数
工具调用规模
简单事实查找
0（lead 直查）
1–3 次
对比分析
2–4 个
每个 10–15 次
深度调查
10+ 个
明确分工
两条最重要的 prompt 工程规则：① 按查询复杂度显式规定资源预算（agent 天然倾向在简单问题上过度投资）；② 先宽后窄（先跑短而宽的查询，再渐进下钻——跳过宽搜的 agent 会陷入过长过窄、查无结果的查询）。
Phase 3: Write — 必须单智能体
所有团队都用惨痛教训学会了同一课：报告绝不能并行写作。三个 writer agent 各写一章，产出像来自三本不同的书——重复引言、同一来源两种表述、语气割裂，且运行时没有任何上下文协调信号能修复。统一解法：研究阶段多智能体，写作阶段单智能体（barrier 门控：全部研究完成后，一次性把 brief + 全部发现交给唯一 writer），再由专职 Citation Agent 为论断挂上来源 URL。
三、多智能体为何研究有效、写作失效
Anthropic 工程报告钉死了数字：多智能体系统消耗 15x 于普通聊天的 token、约 4x 于单智能体循环；在 BrowseComp 基准上，token 用量单独解释了 80% 的性能方差。
研究阶段：上下文隔离红利
单 agent 并行查三个实验室，所有搜索结果涌入同一上下文窗口，每次后续工具调用都要跨三条线索推理——token 膨胀 + "lost in the middle" 失效叠加。拆成三个各自干净上下文、窄简报的 sub-agent，每条线索在 token 压力到来前挖得更深。LangChain 实测："比较三家实验室的 AI 安全立场"，单 agent 因合并上下文增长过快而更早放弃每个实验室。
写作阶段：协调信号缺失
报告是一份连贯文档。并行分节写作没有共享状态，无法协调重复、引用口径与语气。这是结构性缺陷而非模型能力问题——上下文隔离在这里从红利变成毒药。写作需要的是全局视野 + 单一风格主体。
工程含义："多智能体"不是普适正确答案，而是一个应按阶段选择性使用的工具。这个"研究并行、写作串行"的非对称设计，是 Deep Research 区别于泛化多智能体炒作的核心工程洞察。
四、商业平台全景（2026 年 9 月）
平台
背后模型
定价/入口
公开运行时长
差异化事实
OpenAI Deep Research
未披露，"默认最新模型"
Free/Go $8 → Plus $20 → Pro $100（$200 档 9.10 起暂停新注册）
5–30 分钟（2025.02 数据未更新）
模糊开放问题的重量级选手
Perplexity Deep Research
Claude Opus（经 Perplexity Computer 路由 20+ 前沿模型）
Pro $20 / Max $200
2–4 分钟（2025.02 数据）
引擎已换心：BrowseComp 40.7%→83.8% 归因架构迁移而非模型；sonar-deep-research API 9.27 退役
Gemini Deep Research
Gemini 3.1 Pro（分 standard/max 双档）
AI Plus $4.99 / AI Pro $19.99 / Ultra $99.99
20 分钟典型，60 分钟硬上限（唯一公布预算者）
大四中公开基准最强 + 最便宜付费入口；可编辑研究计划；打通 Gmail/Drive/Docs
Claude Research
未披露（Claude 4.6+ 全系 1M 上下文标准价）
Pro $20 / Max $100–200 / Team / Enterprise
未公布，"分钟级"
耐心型选手：善于并列矛盾信源而不过早收敛
xAI Grok
grok-4.20-multi-agent（beta）
SuperGrok $30
—
effort 档位直接映射并行 agent 数（4/16）；未公布 HLE/BrowseComp
Moonshot Kimi
自研 Kimi-Researcher
Plus $19
10–25 分钟
唯一公布逐任务遥测：平均 23 推理步、74 计划关键词、206 个 URL 仅 3.2% 存活进报告
Manus
未披露（Meta 收购被 NDRC 否决，9.1 恢复独立运营）
$20/4000 credits
—
Wide Research 20 子任务并发；无公开具名基准
You.com
—
Research API $12–1,200/千次
—
消费端已退场，五档 effort 100x 价差是品类定价范式最清晰样本
Mistral（Le Chat→Vibe）
—
Pro $14.99
—
大四之外最便宜；欧洲数据驻留场景常为唯一过采购选项
DeepSeek
—
免费
—
有用的阴性结果：无 Deep Research 产品，API 明确标注 web_search 等工具一律 ignored
格局判断：消费端 Gemini 以"最强公开基准 + $4.99 最低门槛"成为全能默认；Perplexity Pro $20 提供最佳性价比容量；OpenAI/Claude 在模糊、开放、无标准答案的问题上报告最深。开发者侧唯一"无退役倒计时"的交钥匙 API 是 Google Deep Research API（Interactions API，约 $1–3/task，Max 档 $3–7/task）。
五、开源生态：大洗牌后的生存者名单
2026 年自托管的诚实答案：维护活跃度与基准成绩已经分居不同的仓库。
项目
Stars/许可
状态（2026.09）
要点
GPT Researcher
约29.5k / Apache-2.0
✅ 活跃（8 月仍在发版）
唯一"克隆即跑"、无需先替换退役模型名的项目
DeerFlow（字节）
约82k / MIT
✅ 活跃，2.0 转型
最大社区；2.0 从 Deep Research 框架重定位为通用 SuperAgent 基座（子代理编排+记忆+Docker 沙箱+技能扩展），deep research 降为技能之一；无 key 也可跑（DuckDuckGo+免key reader）；LangGraph 编排，集成 Tavily/RAGFlow/MCP，支持 100+ LLM
Tongyi DeepResearch（阿里）
Apache-2.0 开放权重
⚠️ 仓库 2026.02 后静默
30.5B MoE（激活 3.3B）端到端 agentic 训练；HLE 32.9——首个在综合基准上对齐 OpenAI Deep Research 的全开源 Web Agent；出自 WebSailor/WebShaper 谱系
LangChain open_deep_research
—
❌ 2026.08.21 归档
README 无归档告示，教程导流者仍误以为存活；其三条工程教训（brief 压缩、sub-agent 自剪枝、仅研究阶段多智能体）已被业界吸收
Stanford STORM
—
❌ 事实死亡
2026 年开 146 个 PR 合并 0 个；最后提交 2025.09；quickstart 依赖已于 2025.08 退役的 Bing Search API。论文仍值得读，软件不应作为起点
NVIDIA AI-Q Blueprint
开源参考栈
✅ GTC 2026 发布
LangChain Deep Agents + NeMo Agent Toolkit + Nemotron，面向本地化/私有数据企业 Deep Research
开源悖论：基准成绩有竞争力的开放权重 agent（Tongyi DeepResearch）已安静，仍在高频发代码的（GPT Researcher、DeerFlow）几乎不发基准。选型准则：先按维护活跃度筛选，再自己跑评测。
六、评测基准体系：从答案正确性到报告质量
BrowseComp（1,266 个"难找信息"问题）— 2026 头部成绩
系统
得分
备注
GPT-5.6 Sol Ultra
92.2%
协调 4 个并行 agent（OpenAI，2026.07）
GPT-6 Astra
91.5%
单 agent 最大 effort（2026.09，与 Anthropic 系统卡交叉验证一致）
Kimi K3
91.2%
开放 2.8T MoE；300K 触发上下文压实；1M 全上下文无管理时 90.4%
Claude Opus 5
90.8%
单 agent + 搜索/抓取/工具/代码执行
MiroThinker-H1
88.2%
"验证中心"重型研究 agent 设置
Claude Mythos 5
88.0%
单 agent；异步多智能体配置达 93.3%；10M token 压实
Gemini 3.1 Pro
85.9%
Search+Python+Browse
Perplexity Computer 路由
83.8%
从 40.7% 跃升，归因架构而非模型
Claude Mythos 5 的 88.0%（单）→ 93.3%（多智能体）差值，与 Anthropic "多智能体较单 Opus 4 agent 领先 90.2%"的内部评估一脉相承——并行子代理仍是硬基准上的确定性增益来源，代价是 token。
DeepResearch Bench（中科大 + Metastone）— 报告质量维度
100 个 PhD 级研究任务、22 个领域、中英各半，双评估框架：
RACE：参考基 + 自适应评分标准 + 动态加权，评报告质量（综合/深度/指令遵循/可读性）
FACT：评信息检索有效性——有效引用数 + 引用准确率
早期结果揭示的关键分化：Gemini-2.5-Pro Deep Research RACE 48.88 居首且有效引用 111.21 条（信息收集能力断层领先）；Perplexity Deep Research 引用准确率 90.24% 最高（来源归属精度最强）；OpenAI Deep Research 指令遵循 49.27 最佳。没有全能冠军——"报告质量"与"引用可信度"是两个独立竞争维度，采购时应按场景加权（合规/尽调场景引用准确率优先，综述场景有效引用广度优先）。RACE 框架与人类判断一致率 72.56%（超过人类互相一致率 68.44%），Judge LLM 选 Gemini 2.5 Pro 时性价比最优（$0.13/query）。
七、Token 经济学：成本-深度权衡成为产品主轴
消耗量级：多智能体研究 = 15x 聊天 token ≈ 4x 单智能体循环；单次 Research 会话可达数百万 token、按 Claude 牌价每查询数美元
单任务成本：Gemini Deep Research API 约 $1–3/task（Max $3–7）；OpenAI Deep Research API $1.50–8/query；o3-deep-research 输入 $10/M（同底模 o3 仅 $2——溢价买的是 workflow 不是模型）；Exa Agent 全量 BrowseComp 约 $0.50/query
Gemini 标准档实测预算：约 80 次 web 搜索、约 250K 输入 + 60K 输出 token、5–15 分钟
DIY 对比：自建研究管线 API 成本 $1.15–2/query + 40–80 小时工程；o4-mini-deep-research $0.40–2.50/query 免工程开销，多数团队第 1 个月回本
经济性边界：当前成本结构只对高价值研究成立——法律尽调、竞争情报、生物医学文献综述；低价值查询应降级为普通搜索合成
成本控制的四个生产旋钮（来自 OpenAI API 实践）：① max_tool_calls 是成本/延迟主旋钮；② background=True 必须开（同步调用必超时）；③ 响应流中的 web_search_call / mcp_tool_call 条目是完整审计轨迹；④ deep research 模型不做澄清——需要 ChatGPT 式 Scope 行为必须自己前置便宜模型。私有数据接入受限：仅支持 search/fetch 形态的 MCP server 且 require_approval=never；需要重工具混合时退回 o3/GPT-5.5 自建循环。
八、安全与可信挑战
间接 Prompt Injection 是头号威胁：Deep Research agent 自主浏览数十至数百个不可信页面，天然是注入攻击的最大攻击面。2026 年研究（arXiv 2605.17634）表明主流"数据-指令分离"防御范式既检测不了上下文操纵型攻击、又损伤正常行为；学界转向 Contextual Integrity 理论重构防御。厂商侧：Anthropic 对浏览器使用做对抗训练（最佳自适应攻击下 ASR 约 1%）、Microsoft 纵深防御栈（Spotlighting/Prompt Shields/FIDES）。
引用可信度分化巨大：FACT 框架下引用准确率从 77.96%（OpenAI DR）到 90.24%（Perplexity DR）——引用是报告的信任锚，准确率不足 90% 意味着每 10 条引用可能有 1–2 条经不起点击验证。高风险场景（医疗/法律/投研）必须叠加人工抽检。
信源治理开始产品化：ChatGPT Deep Research 2026.02 起支持将搜索限制在用户指定的可信站点——这是"检索面收窄换可信度"的第一个主流产品化实现，预计将被跟进为企业版标配（配合 MCP 私有连接器）。
供应链与 MCP 面：agent 通过 MCP 连接私有数据时，MCP server 本身成为攻击目标（工具投毒、跨上下文污染），需要与对抗安全五层防御体系联动。
九、研判与建议
研判一：三阶段管线 + "研究多智能体/写作单智能体"非对称设计已是行业收敛终态，短期内不会被新范式取代。自研团队不应再争论架构选型，而应把工程精力投入 Scope 阶段（brief 质量决定一切下游 token 的命中率）与 sub-agent 结果剪枝（返回清洗后发现而非原始页面）。
研判二："专用研究模型"消亡、"effort 档位"接棒，意味着 Deep Research 正从模型能力问题转为调度与预算问题。产品团队应设计三档策略：快答档（搜索合成，秒级）、标准档（单 agent + 上下文压实）、深度档（orchestrator-worker，30–60 分钟），按查询价值自动路由。You.com 100x 价差证明市场接受按深度付费。
研判三：开源选型窗口正在收窄且信息高度失真——两个 2025 年推荐榜常客（open_deep_research、STORM）已死但"看起来还活着"。今天自托管的现实答案：GPT Researcher（即用性）或 DeerFlow 2.0（社区与扩展性，但需接受其通用 harness 定位）；需要开放权重模型时用 Tongyi DeepResearch 30B-A3B，但要做好自主维护准备。企业本地化可直接评估 NVIDIA AI-Q Blueprint。
研判四：评测采购要看双维度——BrowseComp 分数（找得到）与 FACT 引用准确率（引得对）不可互相替代。合规敏感场景把引用准确率权重提到 90%+ 门槛；同时警惕"只有内部图表、无具名基准"的厂商。中国团队可关注 Kimi K3（BrowseComp 91.2%，开放权重）——它证明开放模型 + 上下文压实可在硬基准上追平闭源头部。
给 OpenClaw 生态的落地建议：本 agent 的日常深度分析任务即是一个轻量 Deep Research 管线。可借鉴：① 在 spawn 子代理做并行调研时，强制子代理返回"剪枝后发现 + 来源清单"而非原始网页正文；② 写作永远由主会话单体完成；③ 为高价值报告增加引用抽检步骤（点击验证 10–20% 来源）；④ 用 effort 分档思路区分"快搜"与"深研"两类任务的资源预算。
参考来源
Reactify Solutions: Deep Research agents in production 2026
Glasp: Deep Research Tools — OpenAI vs Perplexity vs Gemini（2026.09）
Steel.dev BrowseComp Leaderboard（2026.09.04 更新）
DeepResearch Bench（USTC & Metastone）
Anthropic: How we built our multi-agent research system（2025.06）
GitHub: bytedance/deer-flow · Alibaba-NLP/DeepResearch
TokenCost / TokenMix / APIcostCalc: Deep Research API 定价分析
arXiv 2605.17634: AI Agents May Always Fall for Prompt Injections