Deep Research

构建具备认知与推理能力的智能研究体

Deep Research 是一套基于大语言模型的智能研究框架，围绕一个研究主题，支持结构化、多阶段、可验证的深入探索流程。
借助 MCP（Model Context Protocol）协议，模型可动态接入多源知识、记录推理路径，并输出高质量结构化成果。

核心能力

🔌 支持多源上下文接入：网页、数据库、搜索引擎、笔记系统等；
🔄 全链路推理记录与演化：每一步都有依据、可复现；
📊 结构化研究结果输出：支持 JSON、Markdown、图表、网页；
📚 插件化扩展机制：适配不同领域、数据源与研究范式。

工作流概览

1. 研究任务定义

用户输入研究主题或问题；
系统调用大模型生成结构化研究子任务；
步骤示例：信息收集 → 概念对比 → 案例分析 → 洞察总结。

2. 多源信息接入（MCP 插件）

插件名称	类型	功能描述
`Fetch`	网页抽取	HTML → Markdown，结构化获取网页内容
`Playwright`	网页交互	对网页进行点击、滚动、表单提交等操作
`Tavily`	搜索增强	实时搜索互联网内容，支持领域过滤和重试机制
`Notebook API`	云笔记系统	记录、编辑和检索研究过程中的笔记与总结
`Pages Deploy`	报告发布	生成公开可访问的网页版本研究报告

3. 推理链记录与追踪

每一步调研过程均可被结构化记录，包括：

输入与模型响应；
信息来源与引用地址；
关键推理逻辑与结论判断；
中断/失败链路，支持自动回溯修正。

{
  "step": 2,
  "input": "分析 MoE 在推荐系统中的挑战",
  "source": "https://arxiv.org/abs/2302.06642",
  "output": "主要挑战包括路由器不稳定、冷启动问题及资源冗余...",
  "reasoning": "结合三篇论文内容，得出共同痛点"
}

4. 输出研究成果

支持 Markdown / JSON / 报表 / 图表等结构化格式；
可通过 Pages Deploy 插件一键发布为网页；
支持同步到笔记系统或长期知识库；
所有结果可回溯、可审计、可迭代。

示例场景：研究“MoE 模型在推荐系统中的可行性”

步骤	行动	使用插件	输出类型
1	查询 MoE 定义与原理	Tavily Search	文档列表与摘要
2	获取 MoE 在推荐系统的应用案例	Fetch + Notebook	案例分析对比表
3	阅读代表性论文并记录结论	Playwright + Notebook	总结 + 关键公式
4	分析成本、精度、落地挑战等维度	Notebook + JSON	表格 + 评分
5	输出结论并生成在线报告	Pages Deploy	网页链接

与其他技术对比

能力点	RAG	Toolformer	Deep Research (MCP)
上下文获取	文本向量检索	函数调用辅助	多源结构化上下文
推理链建模能力	弱	简单函数轨迹	强，完整思维链跟踪与修复
插件可扩展性	不支持	较弱	强，支持自定义与社区插件接入
研究记忆持久化	无	无	内置 Notebook API 支持长期记忆
输出结构化程度	限于回答文本	限于函数调用结构	支持结构化结果（表格、图表、JSON）

Deep Research 实现（Argo）

使用 LangGraph 实现 Deep Research 的典型流程

1. 生成调研计划

大模型根据输入的研究主题或问题，生成结构化的调研子任务和执行步骤，包括信息收集、分析比较、观点总结等阶段。

2. 人工审核与反馈

用户对自动生成的计划进行审阅与调整，可增删步骤、修改优先级或补充关键关注点，确保研究流程贴合实际需求。

3. 启动自动调研流程

LangGraph 按照最终确认的计划，驱动智能代理通过 MCP 插件访问多源信息（如网页、数据库、笔记系统等），逐步完成每个子任务并记录推理过程。

4. 生成结构化研究报告

聚合各阶段结果，输出包含摘要、数据分析、引用来源与结论洞察的完整报告，支持以 Markdown、JSON 或网页等格式呈现。

Deep Research 使用

以下从AI产品经理角度，生成AI产品日报

1. 生成计划

这一步会根据用户给定的System Prompt，做出相应规划，用户可查看并编辑计划

2. 开始执行

这一步 Deep Research 会开始执行，按照上述的计划一步步执行，并展示中间结果，如果没有确切的信息源，模型会通过 Tavily 工具搜索并总结

每执行完一步，左边的计划表会实时同步计划执行的情况，用 ✅ 反馈进度

3. 报告生成

总结

Deep Research 不是简单的信息检索工具，而是具备“研究型认知能力”的智能体。

通过 MCP 标准协议、LangGraph 流程编排与丰富插件支持，Deep Research 让每一个人都能构建属于自己的“研究副驾”。

构建具备认知与推理能力的智能研究体​

核心能力​

工作流概览​

1. 研究任务定义​

2. 多源信息接入（MCP 插件）​

3. 推理链记录与追踪​

4. 输出研究成果​

与其他技术对比​

Deep Research 实现（Argo）​

Deep Research 使用​

总结​