深入使用Deep Research后，RAG的未来是Agent

Deep Research 深度解析：AI Agent 形态如何为 RAG 技术指明新方向

当您面对一个复杂的研究课题时，传统搜索引擎往往会给出成千上万个链接，您需要自行筛选、拼凑信息并加以理解，整个过程既耗时又费力。新兴的 AI 搜索工具（如 Perplexity 等）虽然有所改进，但通常仅限于表层信息的汇总，缺乏深度分析能力。在这样的背景下，Deep Research 应运而生。其核心是一种具备自主思考能力的智能体（Agent）形态，能够将原始的研究任务进行拆解、搜索、筛选、反思与迭代，最终为您呈现一份条理清晰、内容详实且具有深度的研究报告。更值得关注的是其背后的思考过程 (Think Process)，它为传统的 RAG（检索增强生成）技术指明了全新的突破方向。

本文将基于对 Gemini Deep Research 产品的一次实际使用体验，深入剖析其作为 Agent 形态产品的关键实现路径，尤其聚焦于 RAG 技术中最棘手的查询解析（query 解析）难题。

Deep Research 的核心定义

当我们想要深入研究某个话题时，传统搜索和新兴 AI 搜索都面临各自的局限性。但 Deep Research 改变了这一现状：它能够拆解研究任务，通过搜索、筛选、反思与迭代，最终呈现一份条理清晰、内容详实的研究报告。Deep Research 的核心在于其能够自主思考的智能体（Agent）形态。

目前，OpenAI 与 Google Gemini 都推出了各自的 Deep Research 产品。与 OpenAI Deep Research 仅限付费用户使用不同，Gemini Deep Research 提供了免费体验机会，并且使用了最强大的 Gemini 2.5 Pro 模型，对用户开放了模型内部的思考 (Think) 过程。因此，Gemini Deep Research 非常值得深入学习和研究。

在这次实际体验中，我提出的研究话题是：“在 RAG 技术中，针对用户 query 的理解难题，目前有哪些主流的解决方案？”

由于我的日常工作包含基于 RAG 技术的 AI 产品开发，我深知其中的难点：基础的 RAG 技术端到端成功率很难提升，而对用户 query 的理解更是整个流程中的关键环节，充满挑战。因此，我决定使用 Gemini Deep Research 来系统性地研究这个话题。

在搜索过程中，Gemini Deep Research 花费了几分钟时间，研究了 100 多篇技术文章和学术论文，最终生成了一份质量不错的研究报告。然而，真正吸引我的其实是它的思考 (Think) 过程。在分析完这个思考过程后，我发现这个 Agent 形态产品的实现路径，比最终生成的报告本身更具价值。

核心环节：向 Deep Research 提出研究话题

我在 Gemini Deep Research 中提出的需求是：

在构建基于 RAG 技术的产品时，对用户真实 query 的解析与转换至关重要。因为无论是基于 keyword 的搜索，还是基于 semantic similarity 的搜索，都要求 query 与知识库空间保持接近。然而，用户 query 通常具有个性化、语义不完整、包含复杂限定条件或复合型问题的特点。现在希望研究一下，针对这些难题有哪些主流的技术方案。要求资料来源应来自大型科技公司、成熟的学术论文等值得信赖的源头，并优先以英文材料为主。

首先，我阐述了研究话题的背景：对用户 query 的理解既困难又重要。接着，我归纳了用户 query 的几个典型特征：个性化、语义不全、复杂限定条件、复合型问题。

可以看到，这是从一个没有太多相关知识背景的用户角度提出的问题，因此只能初步描述问题，无法给出具体的研究思路或搜索关键词。

Gemini Deep Research 给出了一份非常专业的研究方案，如下所示：

关键分析：Deep Research 的研究方案

Deep Research 生成的这份研究方案至关重要，接下来我将详细解读其构成与意义。

• 第（1）条细化了研究话题的基础概念与材料来源限制，属于预期内的内容。

• 第（2）条细化了针对“查询个性化”和“语义不全”问题的研究方向（或者说搜索关键词），这里列出了“查询重写”、“查询扩展”、“上下文注入”等专业术语。

• 第（3）条细化了针对“复杂限定条件”和“复合型查询”的研究方向（或者说搜索关键词），列出了“查询分解”、“结构化查询生成”、“多轮查询交互”等方向。

• 第（4）条额外提及了使用 LLM 来解决 query 转换的方向。然而，我的原始 query 中并未提及 LLM 以及 few-shot、zero-shot、fine-tuning 等技术。这表明模型能够主动发现新的研究角度。

• 第（5）条提到了“假设性稳定嵌入（HyDE）”技术，这也是近两年学术界讨论较多的技术方向。

• 第（6）、（7）条则提到了 query 转换的性能评估方案，以及如何总结生成最终报告。

小提示： 以上第（2）、（3）、（4）条都在我的预料之外。因为 Deep Research 本身需要解决“query 如何拆解、生成搜索关键词”的问题，结果 Deep Research 直接在研究方案中给出了关键词。这说明研究方案中的 研究方向（关键词）非常重要，它 直接决定了 Deep Research 后续的执行路径。

那么，这是否意味着 Deep Research 内部先通过一次 RAG 来找到关键词呢？这似乎变成了一个“鸡生蛋还是蛋生鸡”的难题。合理的推测是：Deep Research 模型经过充分训练，已经具备了这些知识，能够直接生成研究方向（关键词）。

执行过程：Deep Research 的 8 轮迭代

Deep Research 总共进行了 8 次迭代，每一轮都聚焦部分关键词，初步分析搜索结果，发现新的方向（关键词），然后规划下一轮迭代的目标。

第 1 轮

搜索覆盖了前期规划生成的方向（关键词），包括：查询重写、查询扩展、上下文注入、查询分解、结构化查询生成、多轮交互、HyDE、生成式查询转换。下一轮迭代的目标是深入技术细节。

第 2 轮

搜索到了查询重写框架技术 DMQR-RAG，以及查询扩展方法 Flan-T5。下一轮迭代的目标是上下文注入、结构化查询生成、多轮交互。

第 3 轮

搜索到了分块技术，包括 语义分块、Agentic 分块、分层分块；还搜索到了利用 Agentic RAG 自主管理检索策略，以及使用 Parent Document Retrieval 和 Self-Query Retrieval 处理复杂查询。下一轮的目标是上下文注入、结构化查询生成、多轮交互、查询重写、扩展以及性能评估。

第 4 轮

搜索到了 Agentic 分块、Parent Document Retrieval 和 Self-Query Retrieval，下一轮的目标是 DyPRAG、CAR 框架、Text to SQL、Self-Query Retrieval、Rewrite-Retrieve-Read。

第 5 轮

搜索了 Self-Query Retrieval、Rewrite-Retrieve-Read 框架，下一轮的目标是 DyPRAG、CAR、Text to SQL、mtRAG 基准测试、PR3 框架。

第 6 轮

搜索了 Self-Query Retrieval、Rewrite-Retrieve-Read 框架，下一轮的目标是 DyPRAG、个性化查询转换。

第 7 轮

搜索了 Parametric RAG、Text to SQL，下一轮的目标是 Text to SQL、SCQU 策略、个性化、DyPRAG、CAR、mtRAG。

第 8 轮

搜索了 Text to SQL、SCQU 策略、Parametric RAG。最终未能找到 DyPRAG、CAR 框架、mtRAG 基准测试的详细内容，因此决定结束迭代。

在这 8 轮迭代中，第 1 轮涉及的搜索方向（关键词）最为完整，后续轮次则不断补充和完善具体的技术细节。不过，后续轮次未必总能发现全新的搜索方向，同时也要避免模型无限制地发散方向，导致无法聚焦于研究任务本身。

常见问题：Deep Research 的迭代机制有哪些特点？

答案： 它是一种 循序渐进、聚焦收敛 的机制。先从最广泛、最核心的关键词开始搜索（第1轮），然后根据初步结果，深入挖掘具体的技术细节（第2-7轮），同时不断探索新的、相关的关键词。当模型判断所有已知的、有价值的研究方向都已探索完毕，或无法找到更多相关信息时，它就会自动终止迭代（第8轮），并进入总结报告撰写阶段。

成果呈现：Deep Research 生成的研究报告

生成的研究报告的思维导图如下所示，这是一份结构非常工整的报告，其中提到的技术方法值得仔细研究。

总结与思考

从上述 think 过程的分析可以看出，Deep Research 采用了包含搜索、思考、规划在内的多轮迭代机制，不断扩充搜索方向（关键词），直到找不到更多与研究话题相关的关键词后，结束迭代搜索，开始总结并生成研究报告。

Deep Research 最初生成的研究方案至关重要，它决定了整个研究迭代的方向。虽然在后续轮次中可以补充新的关键词，但整体上不会偏离最初的研究方案。这种模式的核心价值在于，它将人类的“专家式”研究思维（即先制定计划，再按计划搜索、分析、调整）转化为 AI Agent 的自动化流程。

重要提醒： 然而，Deep Research 也可能产生幻觉。Deep Research 依赖搜索引擎查找 web 资料，web 资料的准确性、优质程度也会影响 Deep Research 生成的报告质量。Deep Research 自身很难判断一份资料的权威性和准确性。因此，Deep Research 最大的价值在于代替人工完成了大量的资料搜索、阅读和分析工作，节省了大量人工时间，但最终研究结果的严谨性和准确性仍需人类专家来判断和验证。

总而言之，Deep Research 展现的 Agent 形态为传统的 RAG 技术指明了突破方向。它不仅仅是一个更强大的搜索引擎，更是一个具备自主研究能力的数字研究员。它通过将用户的模糊问题转化为精确的搜索计划、并通过多轮迭代进行深度探索，极大地提升了信息获取和知识生成的效率。对于 RAG 技术开发者而言，其思考过程比最终结果更值得研究，因为它揭示了如何将复杂的、依赖于人类专家的知识发现路径，转化为可复用的、结构化的 AI Agent 工作流。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：深入使用Deep Research后，RAG的未来是Agent要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题