> ## Documentation Index
> Fetch the complete documentation index at: https://labs.prompthon.io/llms.txt
> Use this file to discover all available pages before exploring further.

# 深度研究智能体

<div className="not-prose my-4 rounded-md border border-gray-200 bg-gray-50 p-2 text-sm dark:border-gray-800 dark:bg-gray-900/40">
  <div className="mb-2 px-1 text-xs font-semibold uppercase tracking-wide text-gray-500 dark:text-gray-400">需要帮助？</div>

  <div className="flex flex-wrap gap-2">
    <a className="inline-flex items-center gap-2 rounded-md border border-gray-200 bg-white px-3 py-1.5 font-medium text-gray-700 no-underline shadow-sm hover:border-gray-300 hover:bg-gray-50 dark:border-gray-800 dark:bg-gray-950/60 dark:text-gray-200 dark:hover:bg-gray-900" href="https://discord.gg/sDE2HhGTg4" target="_blank" rel="noreferrer">
      <Icon icon="discord" iconType="brands" size={14} />

      <span>在 Discord 提问</span>
    </a>

    <a className="inline-flex items-center gap-2 rounded-md border border-gray-200 bg-white px-3 py-1.5 font-medium text-gray-700 no-underline shadow-sm hover:border-gray-300 hover:bg-gray-50 dark:border-gray-800 dark:bg-gray-950/60 dark:text-gray-200 dark:hover:bg-gray-900" href="https://github.com/Prompthon-IO/agent-systems-handbook/issues/new/choose" target="_blank" rel="noreferrer">
      <Icon icon="github" iconType="brands" size={14} />

      <span>提交 GitHub Issue</span>
    </a>

    <a className="inline-flex items-center gap-2 rounded-md border border-gray-200 bg-white px-3 py-1.5 font-medium text-gray-700 no-underline shadow-sm hover:border-gray-300 hover:bg-gray-50 dark:border-gray-800 dark:bg-gray-950/60 dark:text-gray-200 dark:hover:bg-gray-900" href="https://github.com/Prompthon-IO/agent-systems-handbook/blob/main/zh-Hans/SUPPORT.md" target="_blank" rel="noreferrer">
      <Icon icon="life-ring" size={14} />

      <span>支持指南</span>
    </a>
  </div>
</div>

## 摘要

深度研究智能体会把一个开放主题转化为一项受管理的调查。它不是只根据一个提示或一个搜索结果作答，而是会规划工作、分轮收集证据、总结阶段性发现，并编制一份可追溯的报告。

## 为什么这很重要

研究是最清晰的产品表面之一，在这里，智能体系统既可能有用，也可能危险。

有用，是因为这项工作天然可以拆解为搜索、阅读、记笔记和综合。

危险，是因为用户会期待新鲜度、来源质量，以及对不确定性的诚实处理。一份看起来精致、却没有可靠证据链的答案，不是真正的研究产品。

## 心智模型

最稳健的模式是一个四部分循环：

* `plan`: 将主题拆解为有边界的研究任务
* `collect`: 为每个任务收集证据
* `synthesize`: 在上下文超载之前总结每个任务
* `report`: 结合明确的来源和开放问题，组装最终答案

这更适合被理解为一个受管理的工作流，而不是一个单一的巧妙提示词。规划器负责控制调查范围。收集器扩展证据集合。总结器防止原始搜索结果淹没最终报告。报告撰写器将结果整合为面向读者的成品。

## 架构图

```mermaid theme={null}
flowchart LR
  Topic["研究主题"] --> Planner["规划器"]
  Planner --> Tasks["TODO 风格任务列表"]
  Tasks --> Search["搜索与证据收集"]
  Search --> Notes["按任务的笔记与引用"]
  Notes --> Summaries["任务摘要"]
  Summaries --> Report["最终报告"]
  Report --> Review["人工审核或交付"]
```

## 工具生态

深度研究系统通常会结合一套规模不大但立场明确的工具集：

* 用于收集证据的搜索或浏览工具
* 用于结构化中间状态的笔记或工件存储
* 用于保持任务输出有边界的总结逻辑
* 用于保留引用和不确定性的报告生成

在这里，人工检查点比许多其他智能体产品更重要。

* 规划审核可防止浪费搜索轮次
* 来源审核可发现薄弱或无关的证据
* 最终审核可发现缺乏支持的综合结论和语气漂移

工件策略也很重要。好的系统会把明确的任务列表、任务摘要和最终报告作为可检查的输出保留下来。这些工件有助于验证、恢复流程以及后续复用。

## 权衡

* 更广泛的搜索提升覆盖面，但也会增加噪音和来源质量差异。
* 更激进的任务拆解提升控制力，但过多任务会带来开销和重复。
* 强总结能保持上下文整洁，但如果没有保留引用，它可能会隐藏细节。
* 单一最终答案读起来更流畅，但分阶段的工件轨迹更值得信赖。

实践中的默认做法：

* 先规划，再搜索
* 将引用附着在任务层，而不只放在最终报告中
* 将“未知”视为有效输出
* 将证据收集与最终叙述生成分开

## 延伸阅读

* [上下文工程](/zh-Hans/systems/context-engineering)
* [评估与可观测性](/zh-Hans/systems/evaluation-and-observability)
* [案例研究总览](/zh-Hans/case-studies)

## 更新日志

* 2026-04-21：基于导入的参考材料和实验室重写规则生成的首个仓库原生草稿。