1.1 Deep-Researcher 定义与目标

先给一个可操作的定义

本节处在全册第一站：在你搭任何研究智能体之前，得先说清它是什么、不做什么。如果连定义都模糊，"提升它的能力"就会变成无的放矢。我们把 Deep-Researcher 定义为一个在真实信息环境里自主完成"提问—检索—阅读—综合—成稿"闭环的智能体，目标不是替你写漂亮话，而是替你完成那部分最耗神的取证与推理劳动。

先给一个可操作的定义：Deep-Researcher 是接收一段开放式研究问题、自主规划子任务、调用检索与阅读工具、对证据做交叉验证、并在信息不足时显式承认不确定的系统。它和普通问答机器人的分水岭只有一条——闭环。机器人搜一次就答，它会判断"证据够不够"，不够就回头再搜、再读、再改计划。

下面用一段最小定义代码，把"它是什么"落成可判断的结构。注意这段不是玩具，而是你在做选型时真正会用的判定函数：

# 判定一个系统是否算研究智能体：用四条行为特征筛
def is_research_agent(behavior_log: dict) -> bool:
    # 1. 是否先规划子任务，而非直接给答案
    has_planning = behavior_log.get("planned_subtasks", 0) > 0
    # 2. 是否调用了外部检索/阅读工具
    used_tools = behavior_log.get("tool_calls", 0) > 0
    # 3. 是否有至少一次基于新证据的计划回退
    has_backtrack = behavior_log.get("replans_after_evidence", 0) > 0
    # 4. 是否在证据不足时输出了不确定声明
    admits_uncertain = behavior_log.get("uncertainty_stated", False)
    return has_planning and used_tools and has_backtrack and admits_uncertain

# 运行示例：某产品的行为日志
log_a = {"planned_subtasks": 3, "tool_calls": 11, "replans_after_evidence": 2, "uncertainty_stated": True}
log_b = {"planned_subtasks": 0, "tool_calls": 1, "replans_after_evidence": 0, "uncertainty_stated": False}
print(is_research_agent(log_a))  # 输出 True
print(is_research_agent(log_b))  # 输出 False
​

上面这段的运行输出是 True 与 False。它说明一件事：判定标准不看出身（是不是大厂模型），看行为（有没有闭环与回溯）。当你拿到一个号称"会研究"的产品，先要它的行为日志，再用这四格筛一遍。

我们用目标来反推设计。研究智能体的目标可拆成三层：表层是"给出带出处的答案"，中层是"覆盖问题的关键方面且识别矛盾"，深层是"在不确定时诚实"。这三层决定了后面的架构必须同时具备规划、执行、评估三块，缺一不可。若只做表层，你得到的是检索增强生成；加上中层，才触及"研究"；做到深层，才值得信任。

完整案例：背景→操作→结果→解读→变式

• 背景：某投资分析师每周要产出"新能源储能赛道周报"，过去靠手工搜 40 个信源、耗时 6 小时，且常漏掉非中文预印本。
• 操作：他把问题交给一个研究智能体，要求输出"覆盖技术、政策、融资三类信号，并标注每条证据来源与置信度"。系统先拆出子任务，再并行检索中英文数据库与监管网站，对冲突的产能数据做了三角验证。
• 结果：2 小时产出初稿，覆盖 52 个信源，对 3 处矛盾标注"待验证"并附对立来源链接（此处仅描述，不引用具体网址）。
• 解读：耗时从 6 小时降到 2 小时，且冲突被显式标出——这正是目标三层的体现。若系统只做表层，会直接采信首个高排名来源，漏掉矛盾。
• 变式：若把目标从"周报"改为"监管合规自查"，则子任务应偏向官方条文与处罚案例，检索后端要切到权威库，评估权重提高"来源权威性"。目标变了，架构旋钮跟着变，这就是为什么先定义目标。

我们主张：定义和目标不是写在 PPT 上的开场白，而是后面每一章选型的总开关。第二章的模块划分、第三章的奖励设计、第四章的指标、第五章的配置，全部由这一节的三层目标推导而来。带着"我要让它达成哪一层目标"去读，全册会串成一条线。

对比一下常见误读，避免你被带偏：

目标三层如何落到可调阈值

定义里的"目标三层"不是修辞，是可工程化的验收标准。表层验收是"答案带出处"，可设硬规则：每句结论必挂来源，缺失即拒收。中层验收是"覆盖关键方面且识别矛盾"，可用第四章的覆盖度指标量化。深层验收是"不确定时诚实"，可设不确定闸门：当证据独立印证数低于阈值时，强制输出待验证而非硬答。三层对应不同的"拒收条件"，把它们写进配置，系统才知道什么叫"做好了"。

下面把三层验收落成可跑的检查函数，演示一个答案如何被逐层判定：

# 三层目标验收：逐层拒绝不达标答案
def accept_answer(answer: dict) -> tuple:
    # 表层：必须有来源
    if not answer.get("sources"):
        return False, "表层未过：缺来源"
    # 中层：关键方面覆盖且矛盾被标
    if answer.get("coverage", 0) < 0.8:
        return False, "中层未过：覆盖不足"
    if not answer.get("conflicts_flagged"):
        return False, "中层未过：矛盾未标"
    # 深层：低印证项必须诚实声明
    if answer.get("low_evidence_stated") is False:
        return False, "深层未过：未诚实声明"
    return True, "通过三层验收"

# 运行示例
good = {"sources": ["a","b"], "coverage": 0.9, "conflicts_flagged": True, "low_evidence_stated": True}
bad  = {"sources": ["a"], "coverage": 0.5, "conflicts_flagged": False, "low_evidence_stated": False}
print(accept_answer(good))   # (True, '通过三层验收')
print(accept_answer(bad))    # (False, '中层未过：覆盖不足')
​

运行输出第一段通过、第二段卡在中层。注意"覆盖不足"先于"未诚实"被抓——验收顺序是表层→中层→深层，越底层越先卡，对应你做质量门禁时也该从便宜的检查做起，把贵的放后面。

💡 关键直觉：把"目标"翻译成"拒收条件"而非"期望描述"，系统行为会立刻变具体。人说"要全面"，机器听不懂；人说"覆盖度低于 0.8 就重搜"，机器马上能执行。这就是第一章说的"定义是后面所有选型的总开关"。

⚠️ 常见坑：验收只设表层（有来源就行），会放过多源回声的假报告过关——来源是有了，但全是同一篇的转载。务必把中层覆盖度与矛盾标记一起写进拒收条件，否则"目标三层"只剩一层在起作用。