DeepResearch子模优化法生成多样化查询

在构建DeepResearch系统时，生成高质量、多样化的查询（query）是提升信息覆盖率和搜索结果质量的关键。本文将从传统提示词方法的局限性出发，系统介绍如何利用子模优化（Submodular Optimization）结合句向量，在有限查询数量下，科学地筛选出既紧扣原始问题又充分多样化的查询组合。本教程包含核心挑战、实验对比、数学建模、算法实现与效果验证，适合希望优化DeepResearch查询生成策略的开发者与研究者。

一、DeepResearch系统查询多样性面临的核心挑战

在开发DeepResearch时，生成多样化的查询是一个关键细节。我们在开发时会在至少两处遇到这个问题：

• 解析用户原始输入生成网页搜索查询：直接把原始输入抛给搜索引擎，效果往往不尽人意。
• 研究方案规划器分解子问题：许多系统会前置一个“研究方案规划器”，负责将原始问题分解为多个正交的子问题，然后调用Agent分而治之，最后整合处理结果。

无论是生成搜索查询还是拆解子任务，我们的生成目标是相同的：

生成的查询必须既能紧扣原始问题，又要足够多样化，从不同视角全面探索问题。 同时，为了控制成本，我们还必须控制查询的数量，避免向搜索引擎或大语言模型（LLM）发起不必要的请求。

二、传统提示词方法的不足与实验对比

虽然业界都认识到查询多样性的重要价值，但多数开源的DeepResearch项目在处理这一优化问题时，方法却略显粗放。它们往往选择了一条捷径：直接将多样性、相关性等要求写死在提示词（Prompt）里。有些方案会更进一步，追加一轮LLM调用，让模型自行评估和调整，以期提升多样性。这些方法构成了当前主流的实现思路，但其效果和稳定性仍有待商榷。

上图展示了两种主流的提示词策略，来引导LLM生成多样化查询。上方的提示词言简意赅，下方的则设计得更为精密、结构化。实验中，我们设定原始查询为“向量与重排器”（embeddings and rerankers），并采用 gemini-2.5-flash 模型，目标是测试在给定查询数量下，这两种提示词能否有效地产出足够多样化的结果。

实验设置与提示词示例

1. 简单提示词：

你是一位生成多样化搜索查询的专家。对于任何输入主题，生成 {num_queries} 个不同的搜索查询，以探索该主题的各个角度和方面。

2. 结构化提示词：

你是一位专业的研究策略师。请生成一个最优的多样化搜索查询集，以最大化信息覆盖范围，同时最小化冗余。

任务：根据任意给定的输入，创建恰好 {num_queries} 个满足以下条件的搜索查询：
- 相关性：每个查询必须与原始输入在语义上相关。
- 多样性：每个查询应探索一个独特的方面，且重叠最小。
- 覆盖率：所有查询合在一起应能全面地涵盖该主题。

流程：
1. 分解：将输入分解为核心概念和维度。
2. 视角映射：识别不同的角度（理论、实践、历史、比较等）。
3. 查询构建：为每个视角精心设计具体的、可搜索的查询。
4. 多样性检查：确保查询之间的语义重叠最小。

实验流程如下：我们选用 gemini-2.5-flash 模型，以 embeddings and rerankers 为原始查询，分别运用上述两种提示，迭代生成1至20个查询。生成查询后，我们随即调用 jina-embeddings-v3 的 text-matching，从两个维度进行评估：一是衡量生成查询与原始查询的相关性，二是衡量生成查询集内部彼此的多样性。评估指标均为句向量的余弦相似度。

从结果图（右侧两图）来看，两种提示词在“查询集内部相似度”这一指标上，表现出惊人的一致性。 无论生成多少查询，其内部相似度的中位数始终徘徊在0.4到0.6的高位。有意思的是，当查询数量增多时，简单提示词产出的结果反而更多样化一些；而结构化提示的优势则在于，它能更稳定地维系结果与原始查询的相关度，使其保持在0.6左右。

然而，两张右侧图表也暴露了更深层的问题。首先，两种方法生成的查询相似度得分方差巨大，甚至大量落在0.7至0.8的区间，这说明模型产出了许多语义几乎完全重复的查询。此外，随着查询数量的增加，两种方法都显现出维持多样性的乏力。我们期待看到的“查询越多、内部相似度越低”的理想趋势并未出现，取而代之的是一条居高不下的稳定的水平线。这意味着，模型新增的查询，很可能只是对已有视角的不断复述。

为什么会这样？ Wang等人（2025）的研究或许能给我们一些启示。他们发现，即使有提示词加以引导，大语言模型依然会不成比例地放大主流群体的观点，表现出对普遍视角的固有偏好。

这背后的根源，在于其训练数据对某些观点的过度呈现，使得模型在生成内容时，自然而然地向这些主流视角靠拢。无独有偶，Abe等人（2025）的研究也印证了这一点，指出基于LLM的查询扩展会优先采纳流行的解释，而忽视那些小众但同样有价值的角度。

一个典型的例子是，当你询问“人工智能的好处”，模型很可能滔滔不绝地列举自动化、高效率、合乎伦理等众所周知的优点，却极易遗漏像“加速新药研发”这类不那么大众化，却意义重大的应用场景。

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：DeepResearch子模优化法生成多样化查询要求：
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