概述：最像权威的报告，往往最危险

深度研究（Deep Research）自主体是 2025–2026 年增长最快的自主智能体品类。它们把一个模糊问题分解成研究计划，在 10 分钟到 2 小时内并行抓取几十到数百个网页，最后产出一份带满角标引文的长报告。表面看，这是把"人类研究员"产品化；实测下来，它的核心痛点恰恰出在它最炫耀的地方——引文。

一项覆盖六款前沿深研系统的 DeepHalluBench 基准（arXiv 2601.22984）给出两个反直觉结论：第一，没有任何系统达到稳健可靠；第二，中间步骤（尤其是规划阶段）的幻觉对端到端评测完全不可见。一份 2025 年 NeurIPS 引文幻觉研究进一步拆解了伪造类型：在所有引文失败里，完全凭空捏造（Total Fabrication）占 66%，部分属性错配占 27%，标识符劫持占 4%。更刺眼的是，这些伪造链接通过了 53 篇已发表论文里 3–5 名专家评审的眼睛。

也就是说：报告越长、引文越密，越像一份严谨综述；而恰恰是这些引文，有近三分之二可能根本不存在。本期以"规划—检索—综合"为主线，实测 OpenAI Deep Research、Gemini Deep Research、Perplexity Sonar Deep Research、Grok DeepSearch、Anthropic Research，以及开源的 GPT-Researcher、Stanford STORM、LangChain open_deep_research，拆穿引文链条上的断裂点。

全景对比：三范式 × 检索 × 引文

深度分析

一、三大规划范式：第一刀切错，后面全错

Deep Research 系统在动手检索前，必须先回答"我到底要查什么"。arXiv 2506.18096 的系统综述把规划策略归纳为三种，差异决定了后续所有失败模式。

Planning-Only（规划即执行）：拿到问题后内部直接生成计划并开跑，零交互。Grok DeepSearch、Manus、H2O 采用。它的优势是首次搜索延迟最低，代价是"分解错了就一条路走到黑"——这是 DeepHalluBench 指出的"规划幻觉级联"的温床：第 3 步一个错误分解，会污染之后所有子查询和源筛选。

Intent-to-Planning（意图到规划）：先反问澄清范围、格式、约束，再进入循环。OpenAI Deep Research 是代表。多一次用户往返，换来计算不浪费在错误子题上。实测中这是性价比最高的一档——它把最贵的"跑偏"成本前置成一次廉价对话。

Unified Intent-Planning（统一意图规划）：把完整多步大纲摊开给用户审阅、可编辑后再执行。Gemini Deep Research 采用。对齐度最高，但要求用户深度参与，不适合"丢出去就等报告"的懒人场景。

关键结论：规划范式的选择，比模型强弱更影响最终引文质量。Anthropic 的工程博客记录了一个反面教训——早期给子代理下"研究半导体短缺"这类模糊指令，导致多个子代理重复劳动；改成"明确目标+输出格式+任务边界"的结构化委派后，重复才消失。

二、检索三架构：API、浏览器、混合，决定了能爬多深

规划之后是"去哪找"。三类检索架构对应三类能力天花板。

API 检索直接对接已索引搜索引擎（Google/Bing/arXiv API）。低延迟、稳定，但抓不到 JS 渲染内容、登录态资源。Gemini Deep Research 走 google_search + url_context，Search-o1 走 Bing + Jina Reader。这条路线的隐含风险：继承搜索引擎的结构性偏见——SEO 内容农场排在权威主源前面。Step-DeepResearch 专门维护了 600+ 权威源白名单（政府、研究所、学术平台）和 2000 万+ 文档库来对冲，说明默认排序有多不可靠。

浏览器检索用无头 Chromium 模拟人操作：开标签、填表、执行 JS、滚动发现内容。Manus、DeepResearcher、Kimi-Researcher、AutoGLM 用它。延迟高、资源贵，但能进动态页面和深层嵌套。AutoGLM Rumination 甚至靠 RL 自反思接入了 CNKI、微信这类需登录源——这是 API 检索永远够不到的地带。

混合架构把查询路由到合适工具：Tool-Star 把"搜索引擎代理"和"浏览器代理"分开，SimpleDeepSearcher 把搜索 API 与直接 HTTP 抓取结合。这是 2026 年成熟系统的事实标准，因为没有任何单一检索能覆盖所有问题。

对自托管者的启示：检索架构选错，等于引文源头就脏了。后面再强的综合模型，也只能在脏数据上做精致的包装。

三、长程执行环：预算硬约束与漂移刹车

深研系统的灵魂是 Plan → Search → Read → Reflect → Iterate → Synthesize 这个循环，但要让它在一个 10 分钟到 2 小时的自主执行里不跑偏、不死循环，靠的是一堆硬约束。

OpenAI Deep Research 的实测预算（PromptLayer 分析）：单任务 20–30 分钟、30–60 次搜索、最多 120–150 次页面抓取、150–200 轮推理、5–10 次代码执行。Gemini Deep Research API 硬上限 60 分钟，且全程异步——请求立刻返回 status: in_progress，客户端轮询，这是分钟级任务唯一正确的工程姿势。

无约束的长程代理有两个顽疾。其一是"钻兔子洞"：顺着有趣但跑题的链接一路追下去。刹车手段包括：系统提示里写死扩缩容规则（简单事实查证用 1 个代理，复杂研究用 10+）、当 2 个以上独立源确认某子题就提前停止、新页面不再带来新论点时触发"新颖性耗尽"停搜。其二是纠错死循环：Step-DeepResearch 规定每个子任务最多 3 次错误反思迭代，硬切防无限纠正。

Anthropic 还做了两件工程细节：checkpoint 续跑（每完成一个阶段就摘要+存盘，工具调用失败时从检查点恢复而非重来）和彩虹部署（新旧版本并行，渐进切流，避免一次发版把在飞的多小时研究任务杀掉）。这些不是炫技，而是长程任务上线后必须有的兜底。

四、上下文预算：压缩是常态，但引文会丢

一次 60 分钟、100+ 页抓取的会话，中间内容轻松堆到 50 万–100 万 token，远超任何模型窗口。三条上下文策略各有代价。

窗口扩张：Gemini 的 1M 窗口 + RAG 让更多原文留在上下文里。标准任务约 25 万输入 token（50–70% 命中缓存），复杂任务冲到 90 万。代价是算力极高。

中间压缩：逼近上限时，把历史喂给压缩模型，产出保留关键节点和未来计划的摘要。Step-DeepResearch 的"引用保留变体"尤其值得注意——它在剥除正文细节的同时保留超链接和引文元数据，100 轮对话测试里把总 token 砍了 84% 而保持任务连贯。这一步是引文链条最脆弱的环节：粗暴压缩会丢源，丢源之后综合模型就只能"编"一个看似合理的引用。

外部结构化存储：代理把结构化结果写外部库，只给协调者传轻量引用。Anthropic 把研究计划存外部记忆以撑过 20 万 token 上限；更复杂的系统用向量库（AutoAgent）、知识图谱（Agentic Reasoning）、可并发读写的共享知识库（Agent-KB、Alita）。

工程教训：上下文管理不是省 token 的优化项，而是引文可信度的承重墙。任何没有显式"压缩时保引文"机制的系统，长报告里的角标都值得怀疑。

五、引文伪造五式：66% 是凭空捏造（核心痛点）

这是本期最该被记住的发现。NeurIPS 2025 的引文幻觉研究把伪造拆成五类，按发生频率排序：

1. Total Fabrication（完全捏造，66%）——引文指向不存在的 URL 或虚构论文，链接点了 404，或 DOI 根本没注册。
2. Partial Attribute Corruption（部分属性错配，27%）——源真实存在，但作者/年份/期刊/页码被张冠李戴。
3. Identifier Hijacking（标识符劫持，4%）——真实 DOI/URL 被硬塞给无关论断，点进去内容对不上。
4. Placeholder Hallucination（占位符幻觉，2%）——"Smith et al., 2024"这类占位没被替换就发布。
5. Semantic Hallucination（语义幻觉，1%）——源真实、元数据正确，但论断被断章取义到与原文相悖。

致命点在于检测盲区：DeepHalluBench 指出中间步骤（尤其规划）的幻觉对端到端评测隐形——你只看最终报告评分，永远看不到第 3 步的错误分解如何级联。53 篇已发表 NeurIPS 论文里的伪造引文，扛过了 3–5 名专家评审，说明连人类审稿都挡不住。更隐蔽的是"回声室检索"：代理跨迭代发相似查询、反复命中同一批源，用重复制造虚假确信；以及"过度派生"：早期多代理实现给一个简单问题派了 50 个子代理。

落地含义：深研报告不能直接当引用源。任何要进正式文档/学术/法律场景的论断，必须二次核验。Perplexity Sonar Pro 的 94.3% 引文准确率（3 分钟内）是目前相对可信赖的一档，但即便如此，剩下 5.7% 仍足以在合规场景翻车。

六、并行化：收益巨大，但同步瓶颈未解

并行是深研系统性能和质量的最大杠杆。Anthropic 的实测数据很能说明问题：主代理并行派 3–5 个子代理，子代理内部再并行 3+ 次工具调用，复杂查询研究时间最多降 90%；一个"Opus 4 主控 + Sonnet 4 子代理"的多代理系统，在内部研究评测上比单代理 Opus 4 高出 90.2%。更关键的一组数字：token 用量独自解释了 BrowseComp 评测 80% 的性能方差——意思是"多花 token"比"换个更聪明的模型"更管用，至少在这条曲线上。

但并行有明确上限。Anthropic 坦承当前主代理是同步执行子代理批次——等每组跑完才触发下一组，慢子代理拖垮整条流水线，主代理也无法中途纠偏。异步跨代理并行被多份论文列为"重大未解架构难题"。另一个雷区是"过度派生"，靠系统提示里的扩缩容规则（简单 1 代理、对比 2–4、复杂 10+）来缓解，但"一个问题到底该派几个代理"至今没有原理性答案，全凭经验。

对自建者的启示：别一上来就堆 50 个子代理。先从"主控 + 3 子代理 + 子代理内 3 并行"起步，按 BrowseComp 这类基准调参，再谈扩。

七、成本经济学：准确率曲线是对数的

深研极其烧钱，理解 token 账本才能做产品。OpenAI o3-deep-research 定价 $10/M 输入、$40/M 输出、$2.5/M 缓存，单次 $5–30；Perplexity Sonar Deep Research 是 $2/M 输入 + $3/M 推理 + $8/M 输出，外加 $5/1000 次搜索。Anthropic 多代理比单代理聊天多耗约 15× token，输出 token 又比输入贵 3–8 倍——长报告生成因此格外烧钱。

最有价值的两条经济学结论：其一，prompt 缓存是深研工作负载最有效的省钱杠杆，系统提示+工具 schema+指令被缓存后，缓存 token 成本降约 90%，Gemini 50–70% 输入缓存命中率就是得益于此。其二，准确率随算力是对数增长的——Parallel.ai 的 CPM 分级把话说得很直白：Base $10（4% 准确率）→ Core $25（7%）→ Pro $100（17%）→ Ultra $300（27%）→ P600 $600（39%）→ P1200 $1200（48%）。算力翻倍远换不来准确率翻倍。

由此推出最反直觉的一条决策：Anthropic 实测"升级到 Sonnet 4 的收益，大于在 Sonnet 3.7 上把 token 预算翻倍"。结论是——把钱花在更强的模型上，比把更多 token 扔给更弱的模型更划算。这是所有"堆 token 冲榜单"做法的清醒剂。

八、开源工具实测：GPT-Researcher、STORM、open_deep_research

商业系统锁在 API 后面，自托管和二次开发要看开源。三款主力各有一种哲学。

GPT-Researcher（assafelovic/gpt-researcher，Star 数最高的一档）采用 Planner-Executor-Publisher 模式：规划器生成一组能覆盖主题的研究问题，每个问题派一个执行代理并行采集，最后由发布器合成。它通过 LangGraph 子图实现并行，每个子主题是独立状态图实例，从根上避开共享状态的竞态和上下文不一致。最简单的自托管深研骨架，适合批量报告。

# GPT-Researcher：规划-执行-发布三段式（关键片段）
from gpt_researcher import GPTResearcher
import asyncio

async def main():
    # verbose 控制详细度，report_type 决定报告形态
    researcher = GPTResearcher(
        query="6G 太赫兹通信 2026 技术突破",
        report_type="research_report",
        report_source="web",          # web / local / hybrid
        max_sections=6,               # 控制并行子代理数，防止过度派生
    )
    report, sources = await researcher.conduct_research()
    print(report, sources)            # sources 必须二次核验，见痛点五

asyncio.run(main())

Stanford STORM 走另一条路：先通过调研相关文章"发现视角"，再模拟多视角对话——多个 LLM"专家"回答多个 LLM"写手"的提问，从累积对话里长出大纲，然后才写正文。它尤其适合维基式条目，但视角发现阶段耗 token，成本不低。

LangChain open_deep_research 是"可配置骨架"：规划、检索、压缩、综合每一步都可插拔替换，是二次开发和研究复现的最佳起点，但开箱引文可信度偏低，需要自己接权威源白名单和引文核验。

值得单列的工程做法是 CitationAgent 后置核验（Anthropic 生产系统）：不指望生成时实时打引文，而是先出草稿，再由专门的 CitationAgent 过一遍，定位需要引文的位置、确保每条论断能回溯到已验证源。这是把"66% 凭空捏造"风险压下去的最直接手段——生成与核验解耦。

架构与引文断裂图

flowchart TD
    Q[模糊问题] --> P{规划范式}
    P -->|Planning-Only| P1[内部直接分解<br/>最快但最易跑偏]
    P -->|Intent-to-Planning| P2[先反问澄清<br/>性价比最高]
    P -->|Unified| P3[大纲可编辑<br/>对齐度最高]
    P1 & P2 & P3 --> S[检索架构]
    S --> S1[API 检索<br/>继承 SEO 偏见]
    S --> S2[浏览器检索<br/>能进动态/登录态]
    S --> S3[混合路由<br/>2026 事实标准]
    S1 & S2 & S3 --> L[长程执行环<br/>Plan-Search-Read-Reflect-Iterate]
    L -->|硬约束| L1[20-30min/30-60搜索<br/>150-200推理/3次纠错上限]
    L --> CTX{上下文预算}
    CTX -->|窗口扩张| C1[Gemini 1M<br/>算力极高]
    CTX -->|中间压缩| C2[Step-DR 砍84%<br/>**压缩丢源=引文断裂点**]
    CTX -->|外部存储| C3[向量库/知识图谱/checkpoint]
    C1 & C2 & C3 --> SYN[综合合成]
    SYN --> QA{质量控制}
    QA -->|LLM-as-Judge 0-1分| QA1[原子性/可验证/无歧义]
    QA -->|CitationAgent 后置| QA2[生成与核验解耦]
    QA -->|覆盖度早停| QA3[2源确认即停]
    QA --> RPT[带引文长报告]
    RPT -.->|DeepHalluBench盲区| FAKE[**引文伪造五式**]
    FAKE --> F1[完全捏造 66%]
    FAKE --> F2[属性错配 27%]
    FAKE --> F3[标识符劫持 4%]
    FAKE --> F4[占位符 2%]
    FAKE --> F5[语义幻觉 1%]
    style FAKE fill:#fdd,stroke:#c00,stroke-width:2px
    style C2 fill:#ffe,stroke:#a80
    style P2 fill:#efe,stroke:#080

推荐方案：按场景选范式

快速可溯源问答（占 70% 真实需求） → Perplexity Sonar Deep Research。94.3% 引文准确率 + 3 分钟出结果，性价比断层第一。绝大多数"我查个事"不该上重型深研。

需要大纲可控的正式调研 → Gemini Deep Research。Unified Intent-Planning 让你先审多步大纲再跑，1M 窗口 + 高缓存命中，适合企业调研、行业综述。

50–200 源的极致广度 → OpenAI Deep Research。引文最多、报告最长（均 1.5 万词），但务必记得 66% 伪造风险，正式引用前二次核验。

24 小时内的热点/舆情 → Grok DeepSearch。X 实时流是它的护城河，网页索引的"24 小时内"盲区只有它能补。

复杂多角度、长链路调研 → Anthropic Research（多代理）。Opus 主控 + Sonnet 子代理 + CitationAgent 后置核验，是目前引文可信度工程化最完整的方案。

自托管/批量/二次开发 → GPT-Researcher 起步，配 open_deep_research 做骨架定制，STORM 做维基式条目。务必自接权威源白名单 + CitationAgent 式后置核验，否则你的报告会继承 66% 的伪造率。

一条通用铁律：深研报告是"草稿索引"而非"可信引用"。任何要进合同、论文、合规文档的论断，把它当线索去回溯原始源，而不是当结论直接搬。在 CitationAgent 式后置核验 + 人工抽检成为标配之前，"引文即伪造"不是夸张，而是这一代自主研究体的真实底色。

参考来源

1. Deep Research Agent Architectures: Multi-Hour Autonomous Research Systems — Zylos Research — 系统拆解规划三范式、检索三架构、长程执行预算、上下文压缩、并行化与成本经济学的工程实录
2. Deep Research Agents: A Systematic Examination And Roadmap (arXiv:2506.18096) — 深度研究智能体系统性综述，提出 Planning-Only / Intent-to-Planning / Unified 三类规划范式与上下文管理三类策略
3. Why Your Deep Research Agent Fails? On Hallucination Evaluation (arXiv:2601.22984) — DeepHalluBench 与 PIES 范式，揭示"无系统稳健可靠"与中间步骤幻觉对端到端评测隐形
4. Deep Research Mode Comparison 2026 — Presenc AI — ChatGPT/Claude/Gemini/Perplexity/Grok 五家 Deep Research 模式的源数、运行时长、引文质量横向对比
5. Deep Research Agent Shootout 2026 — AgentMarketCap 与 GPT-Researcher 官方仓库 — 前者给出 Perplexity 94.3% 引文准确率等基准数据，后者为开源 Planner-Executor-Publisher 骨架与代码片段来源

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。