近日，美国华盛顿大学博士生邵如琳和合作团队打造出一个名为 Deep Research Tulu（DR Tulu）的深度研究小助手。使用一次 OpenAI 的 Deep Research 服务可能需要大约 1.8 美元，而 DR Tulu 使用一次的成本却不到 0.002 美元，这几乎是千倍的效率提升，这意味着未来个人或者小团队也能负担得起高质量、高可信度的 AI 研究服务。
近年来，大模型的应用正从对话与创意写作，走向更加开放、复杂的研究型问题。尽管以检索增强生成（RAG）为代表的方法缓解了知识获取瓶颈，但其静态的 “一次检索 + 一次生成” 范式，难以支撑多步推理与长期
能自动查数据、写分析、画专业金融图表的AI金融分析师来了！最近，中国人民大学高瓴人工智能学院提出了一个面向真实金融投研场景的多模态研报生成系统——玉兰·融观（Yulan-FinSight）。
昨夜，OpenAI用专家级GPT-5.2复仇Gemini 3成功！而在GPT-5.2发布前一个多小时，谷歌就率先推出全新版Gemini Deep Research Agent。谷歌对Gemini深度研究进行了重新构想，使其比以往任何时候都更加强大。
今日凌晨，比OpenAI早一个小时，谷歌甩出了3个Agent大招：Deep Research Agent功能更新，并首次向开发者开放；开源新网络研究Agent基准DeepSearchQA，旨在测试Agent在网络研究任务中的全面性；推出新交互API（Interactions API）。
如果AI的终极使命是拓展人类认知的边界，那么“研究”——这项系统性探索未知的核心活动，无疑是其最重要的试金石。2024年，AI Agent技术迎来突破性进展，一个名为 Deep Research（深度研究） 的方向正以前所未有的速度站上风口，成为推动“AI应用元年”的真正引擎。
一个研究者一天到底要读多少篇论文才能跟上最新趋势？在 AI 研究成果爆炸的今天，这个数字变得越来越模糊。人的阅读速度，早就跟不上 AI 科研地图扩展的速度了。
“搜索调用太贵了。一次 Deep Research 任务可能消耗数百次搜索调用，成本一下子就突破数十美元” ，无论是个人开发者还是AI应用公司都明显有这种感觉。
尽管 LLM 的能力与日俱增，但其在复杂任务上的表现仍受限于静态的内部知识。为从根本上解决这一限制，突破 AI 能力界限，业界研究者们提出了 Agentic Deep Research 系统，在该系统中基于 LLM 的 Agent 通过自主推理、调用搜索引擎和迭代地整合信息来给出全面、有深度且正确性有保障的解决方案。
华为诺亚方舟实验室最近联合香港大学发了一篇针对"Deep Research Agents"（深度研究代理）的系统性综述，在我的印象中，这是他们第二次发布关于Deep Research的综述论文。上一篇里提供了一个结构导向 (Structure-Oriented) 的视角，核心是“分类”。
