Deep Research Agent 怎麼蓋：多輪搜尋規劃、衝突調和、可驗證結論

「Deep research」類產品在 2025 年集體爆發：OpenAI Deep Research、Anthropic 的 Research 功能、Perplexity Deep Research，加上開源的 GPT Researcher 與 NVIDIA AI-Q。它們要解的是同一個問題：讓 agent 自主規劃多輪搜尋、綜合異質且可能矛盾的來源、產出每句話都能查證的結論。這篇把這件事拆成四個可控環節，對照業界兩條路線，最後給一個可落地的參考架構。

四個環節：規劃（把模糊大題拆成可獨立查證的子問題）、檢索迴圈（search → read → 反思 gap → 再 search，直到夠了）、證據仲裁（去重、可信度加權、衝突調和）、可驗證輸出（句級 citation + 獨立查核 pass）。

兩條路線：訓練派 vs 編排派

訓練派用 RL 端到端訓練模型「自己學會」何時搜、搜什麼、何時停。OpenAI Deep Research 是 o3 變體，對瀏覽 + 推理任務做 end-to-end RL，單次 query 可跑數十次搜尋、28 分鐘；但 OpenAI 自己公布的 pass rate 僅 15–25%——能用，未取代專家。開源代表 Search-R1（arXiv:2503.09516）把搜尋引擎當成 RL 環境的一部分，用 retrieved-token masking 穩定訓練、outcome-based reward，讓 Qwen2.5-7B 對 RAG baseline +41%——證明小模型也學得會多輪搜尋。

編排派不動模型，用 orchestrator-worker 架構把規劃、檢索、綜合、查核分工。Anthropic 在 multi-agent research system 公開的數字最具代表性：lead agent 規劃後開 3–5 個平行 subagent（各自獨立 context window），內部評測比單 agent +90.2%——但代價是約 15 倍 token 消耗（token 用量解釋了 80% 的效能變異）。

取捨判準：多 agent 並行只在「任務能拆成獨立平行支線」的廣度型研究划算；緊耦合任務（如寫程式）反而適合單 agent 序列。Cognition 的反向觀點值得並列：多 agent 容易 lost context、subagent 資料難管——實務多走混合，能獨立就平行，緊耦合就序列。

環節一：多輪搜尋的自主規劃

重點觀念：規劃不是一次性的。OpenAI DR 遇到付費牆會內部推理「換個非官方網站可能比較好」然後改搜政府公開摘要——這種對即時資訊反應、回溯、改寫 query 的能力是 RL 訓練出來的，不是寫死的流程。「要不要查、查什麼」這層決策的完整方法地圖，站內另一篇 Agentic RAG 的三個決策層有展開。

環節二：何時停止搜尋

最被低估、但直接決定成本與品質的一環。四種做法：Self-RAG 用 critique token（ISSUP 是否被證據支持、ISUSE 有用性）當續搜 / 停手訊號；NVIDIA AI-Q 用固定迴圈上限（預設 research loop = 2，務實但鈍）；Search-R1 只看最終答對與否，讓模型自己學到「夠了就停」——但社群實測指出這常導致過度搜尋（不需要時也搜三次），建議在 reward 加搜尋懲罰；編排派則派一個 completeness critic 問「還缺什麼」，把缺口變成下一輪工作。

設計準則：停止條件要顯式 log 出來（搜了幾輪、為何停）——靜默截斷會讓使用者誤以為覆蓋完整。

環節三：異質來源的衝突調和

當來源彼此矛盾，不能讓 generation 階段「隱性」決定信誰——主流做法是把衝突處理前移到證據層。RA-RAG（arXiv:2410.22954）先用跨源交叉查核自動估計來源可信度，再做加權多數投票、只諮詢少數可靠來源。更關鍵的是衝突分型（DRAGged into Conflicts，arXiv:2506.08500 等多篇）：query 歧義型衝突應該呈現多個有效答案，來源錯誤型才該過濾——不能一律硬選一個。

可直接抄的證據紀律：每個事實至少 2 個獨立來源才寫進結論，單源標 unverified；來源品質排序「官方 > 一手作者 > 高品質二手 > 內容農場」；衝突的事實列出來、不選邊，讓讀者拍板。一個反直覺的提醒：把「多數一致」當可信度準則會偏向錯誤的多數——消息源彼此抄襲時，一致性不等於正確。

環節四：可驗證結論

「可驗證」= 每句論斷能追溯到具體來源，且有獨立 pass 確認引用真的支持該句。

生成端：OpenAI DR 為每個事實掛句級可點擊引用，指向來源的確切段落；Anthropic Research 用獨立的 citation 階段在綜合後補引用——writer 和 citation 分離，避免自己給自己背書；GPT Researcher 的多 agent 版（LangGraph）有 Reviewer 驗證草稿、Reviser 依回饋修訂的迴圈。

評估端：attribution 不是 binary，分 full / partial / no support 三級；常用 NLI 模型自動判斷（AutoAIS），但 CiteEval（arXiv:2506.01829）批評 NLI-only 是次佳 proxy。更要緊的警訊來自 INLG 2024 與 ACL 2025 Findings 兩篇獨立研究的一致結論：沒有單一 faithfulness metric 在所有情境都最好，自動查核器本身有偏誤——自動化可降本，高風險結論仍需人工複核。更強的做法是對抗式查核：對每個關鍵論斷派 N 個獨立 skeptic、預設傾向反駁，多數反駁才砍掉。

Anthropic 的四件實戰教訓

編排派最值得抄的工程細節，全部來自 Anthropic 的官方覆盤：

1. 委派契約四要素：每個 subagent 要有目標、輸出格式、用哪些工具與來源、任務邊界——缺一個就 drift、重工。
2. 隔離邊界：subagent 之間互不知情、各自獨立 context，才能真正平行且不淹沒 lead 的 context window。
3. 產出寫檔、回傳引用：subagent 把成果存到 filesystem，只回傳輕量 reference——避免多階段傳話遊戲的資訊流失。
4. Extended thinking 當 scratchpad：lead 用思考過程規劃 subagent 數量；subagent 在工具結果後評估品質、找 gap、改寫下一個 query。

參考架構

使用者大題
  ├─[澄清] 互動式追問縮小範圍（可選）
  ├─[規劃] 拆 3–6 個可獨立查證子問題 → 寫進 plan 檔
  │        委派契約 = 目標 + 輸出格式 + 來源/工具 + 邊界
  ├─[檢索迴圈] 每子問題（可平行，各自 context）：
  │        search → read → 反思 gap → 改寫 query → 再 search
  │        停止：充分性 critic / 迴圈上限 / 搜尋懲罰（都要 log）
  │        每個事實 ≥2 獨立來源
  ├─[證據仲裁] 拆 atomic claims → 偵測衝突 → 可信度加權
  │        歧義型：呈現多答案；錯誤型：過濾 → 產出事實交叉表
  ├─[綜合] 依大綱寫報告（成果寫檔、回傳 reference）
  └─[查核] 獨立 citation pass + N 個 skeptic 對抗式驗證
           完整性 critic：還缺什麼？→ 觸發下一輪

整體來說

訓練派的上限更高（會學出寫不出來的策略），但你拿不到 o3 的訓練管線；編排派今天就能落地，而且每個環節可以獨立替換、獨立評估。對多數團隊，務實路徑是編排派起步：先把「規劃—檢索—仲裁—查核」四個 pass 拆開，讓停止條件和引用驗證顯式化，再視預算決定要不要上多 agent 並行——記住那個數字：+90.2% 的代價是 15 倍 token，只有真正可平行的廣度型題目才值得。

參考資料

• Anthropic — How we built our multi-agent research system
• OpenAI — Introducing deep research
• Search-R1（arXiv:2503.09516）
• Self-RAG（官方站）
• GPT Researcher（GitHub）
• NVIDIA AI-Q Blueprint
• NVIDIA AI-Q — Deep Researcher Agent 架構文件
• RA-RAG: Reliability-Aware RAG（arXiv:2410.22954）
• DRAGged into Conflicts（arXiv:2506.08500）
• CiteEval（arXiv:2506.01829）
• Deep Research Agents: A Systematic Examination And Roadmap（arXiv:2506.18096）
• Cognition — Don’t Build Multi-Agents