深度研究（Deep Research）

深度研究（Deep Research）

核心职责

Task-Centric 任务驱动型深度研究系统，自动编排Agent和Skill完成复杂研究任务。

2026架构特性

• DGoT动态优化：降低43-56%研究成本
• Agentic RAG：动态检索策略，精度99%
• 单次需求收集：智能结构化提问，无重复交互
• 自动Agent匹配：基于任务特征自动选择最优Agent

工作流程

阶段1：智能需求收集（单次）

通过 AskUserQuestion 收集结构化信息（5-8个维度）：

必须收集：

1. 研究目标：具体要研究什么？解决什么问题？
2. 研究范围：全面研究 vs 特定方向？包含哪些方面？
3. 目标受众：技术专家 vs 管理层 vs 普通读者？
4. 输出格式：技术报告 vs 演示文稿 vs 博客文章？

可选收集（根据任务类型）： 5. 时间范围：历史回顾 vs 现状分析 vs 未来趋势？ 6. 质量标准：引用等级要求（A-E级）？深度要求？ 7. 对比对象：是否需要对比分析？对比哪些方案？ 8. 约束条件：时间限制？成本预算？技术栈限制？

阶段2：自动Agent匹配

基于任务特征自动选择Agent（无需用户选择）：

匹配规则：

if "代码" in task or "质量" in task or "性能" in task:
    agent = "code-analyst"
elif "选型" in task or "对比" in task or "vs" in task:
    agent = "research-strategist"
elif "github.com" in task or "依赖" in task or "安全" in task:
    agent = "project-assessor"
elif "架构" in task or "设计" in task or "重构" in task:
    agent = "architecture-advisor"
else:
    # 默认：根据研究目标智能推断
    agent = auto_match_agent(task)

多Agent协作（复杂任务）：

• 代码质量+架构评审 → code-analyst + architecture-advisor
• 技术选型+项目评估 → research-strategist + project-assessor

阶段3：DGoT核心驱动（自动执行）

使用 dgot-engine 优化研究路径：

# 初始化
paths = dgot.Generate(k=5)  # 生成5个初始路径
scored = dgot.Score(paths)   # 质量评分

# 动态裁剪
best = dgot.KeepBestN(scored, n=3)  # 保留前3个

# 早停检查
if dgot.EarlyStop(best):  # 质量≥8.5分，3个路径达标
    return dgot.Aggregate(best)

# 深化路径
refined = dgot.Refine(best)
final = dgot.Aggregate(refined)

成本节省：

• 早停机制：平均减少30%迭代
• 动态裁剪：平均减少20%无效路径
• 总体节省：43-56%成本

阶段4：智能检索（Agentic RAG）

使用 agentic-retriever 多源并行检索：

检索策略（自动选择）：

• 深度优先：单一主题深入挖掘（技术原理、学术研究）
• 广度优先：多角度快速覆盖（市场分析、行业趋势）
• 平衡搜索：深度+广度结合（技术选型、综合评估）

信息源（8+渠道）：

• 学术：PubMed、IEEE、ACM、arXiv、Google Scholar
• 技术：GitHub、Stack Overflow、技术博客
• 商业：Gartner、IDC、McKinsey
• 新闻：技术媒体、行业报告

阶段5：质量验证（A-E评级）

使用 source-validator 过滤低质量信息：

自动过滤：

• A级（9.0-10）：优先使用
• B级（7.0-8.9）：重点参考
• C级（5.0-6.9）：辅助支持
• D级（3.0-4.9）：交叉验证
• E级（0-2.9）：自动丢弃

质量保证：

• 每个关键发现需要≥2个B级以上来源确认
• 所有统计数据需验证原始来源
• 专家观点需确认专家身份和领域

阶段6：知识合成（8种格式）

使用 knowledge-synthesizer 生成最终报告：

格式选择（基于受众和场景）：

1. 执行摘要 - 高层决策者（1-2页）
2. 技术报告 - 技术专家（5-15页）
3. 学术论文 - 研究人员（8-20页）
4. 演示文稿 - 团队分享（10-20页PPT）
5. 博客文章 - 技术社区（1500-3000字）
6. 对比表格 - 快速决策（1-2页）
7. 清单报告 - 质量审计（2-5页）
8. llms.txt - API文档（可变）

使用示例

示例1：代码质量分析

输入：分析 ./src 目录的代码质量和技术债

自动流程：
1. 需求收集：研究范围（./src）、输出格式（技术报告）
2. Agent匹配：code-analyst（关键词"代码质量"）
3. DGoT驱动：Generate(5) → Score → KeepBestN(3)
4. 代码检查：code-inspector 静态分析
5. 质量验证：source-validator 验证最佳实践来源
6. 知识合成：技术报告（质量+债务+优先级）

示例2：技术选型

输入：对比 React vs Vue vs Svelte 在企业项目中的优劣

自动流程：
1. 需求收集：对比对象（3个框架）、场景（企业项目）
2. Agent匹配：research-strategist（关键词"对比"）
3. DGoT驱动：广度优先搜索，多角度对比
4. 智能检索：官方文档+技术博客+社区讨论
5. 质量验证：A级（官方文档）+ B级（专家博客）
6. 知识合成：对比表格（多维度评分矩阵）

示例3：GitHub项目评估

输入：评估 facebook/react 的项目质量和安全风险

自动流程：
1. 需求收集：项目（facebook/react）、关注点（质量+安全）
2. Agent匹配：project-assessor（检测到github.com）
3. DGoT驱动：平衡搜索，质量+安全双维度
4. 项目分析：code-inspector GitHub集成（gh 命令）
5. 安全审计：CVE数据库、依赖树分析
6. 知识合成：技术报告（健康度+安全分+风险评估）

示例4：架构评审

输入：评审 ./docs/architecture.md 的架构设计

自动流程：
1. 需求收集：设计文档路径、评审重点（可扩展性）
2. Agent匹配：architecture-advisor（关键词"架构"）
3. DGoT驱动：深度优先，架构原则验证
4. 模式识别：识别架构模式（微服务/事件驱动）
5. 原则验证：SOLID、DRY、KISS验证
6. 知识合成：技术报告（评审+建议+重构路径）

进度追踪

实时显示研究进度：

[深度研究·技术选型·进行中]
├─ 需求收集：✅ 完成（3个维度）
├─ Agent匹配：✅ research-strategist
├─ DGoT路径生成：🔄 进行中（5/5路径已生成）
├─ 质量评分：⏳ 等待
├─ 信息检索：⏳ 等待
└─ 知识合成：⏳ 等待

预计完成时间：2-3分钟
预计成本：$0.15（基于DGoT优化）

循环终止条件

自动判断何时完成：

1. 信息完整：所有关键维度已收集
2. 质量达标：≥80%的发现有B级以上来源支持
3. 目标达成：研究问题已充分回答
4. 用户确认：最终报告获得用户认可

最佳实践

• 提供具体的研究目标（避免"优化代码"这类模糊描述）
• 明确输出格式和受众（技术报告 vs 演示文稿）
• 说明约束条件（时间/成本/技术栈限制）
• 对比分析时明确对比对象和维度
• 复杂任务可分阶段执行（先概念理解，再深入分析）

与旧架构对比

维度	旧架构	新架构（2026）
需求收集	重复2次	单次智能收集
Agent选择	用户手动	自动匹配
成本优化	无	DGoT动态裁剪（-50%）
检索精度	传统RAG	Agentic RAG（99%）
交互次数	10+次	5-8次
平均耗时	8-10分钟	4-6分钟