浙大研究了快速发展的深度研究系统领域（Deep Research）——AI驱动的应用通过整合LLM、高级信息检索和自主推理能力，自动化复杂的科研工作流程。

分析了自2023年以来出现的80多个商业和非商业实现，包括OpenAI、Gemini、Perplexity/ DeepResearch以及众多开源替代方案。提出了一个新颖的4个维度的分层分类法：基础模型和推理引擎、工具利用与环境交互、任务规划与执行控制，以及知识综合与输出生成。并且，全面分析了4种Deep Research系统实现架构。

1 基础模型与推理引擎：演变与进步

• 上下文理解和记忆机制：现代实现采用了复杂记忆管理技术，如情景缓冲区、层次化压缩和基于注意力的检索机制，有效扩展了系统的上下文处理能力。例如，Grok 3和Gemini 2.5 Pro等模型拥有百万级的上下文窗口，显著提升了信息处理能力。

• 推理能力的增强：现代深度研究系统通过明确的推理框架（如链式推理、树状推理和基于图的推理架构）显著提升了推理能力。例如，OpenAI的o3模型通过自我批评、不确定性估计和递归推理改进等技术，增强了对复杂研究任务的处理能力。

2 工具利用与环境交互：演变与进步

• 内容处理技术的进步：OpenAI的o3模型能够从非结构化内容中提取语义结构，识别关键信息，并在不同模态之间整合见解。

• 专用工具集成的进展：通过工具集成框架，深度研究系统能够掌握超过16,000个真实世界的API，显著扩展了与外部环境的交互能力。例如，AssistGPT展示了如何通过多模态交互框架，规划、执行、检查和学习跨多样环境的任务。

3 任务规划与执行控制：演变与进步

• 研究任务规划的发展：OpenAI的Agents SDK提供了全面的研究任务规划框架，支持目标分解、执行跟踪和自适应细化。

• 多智能体协作框架的发展：复杂研究任务往往受益于专门的智能体角色和协作方法。现代系统通过明确的协调机制和信息共享协议，实现了多智能体协作，显著提升了处理复杂任务的能力。例如，smolagents/open_deep_research框架通过模块化智能体架构和明确的协调机制，实现了有效的多智能体协作。

4 知识综合与输出生成：演变与进步

• 报告生成技术的进步：mshumer/OpenDeepResearcher项目通过结构化输出框架和证据整合机制，生成高质量的研究报告。

• 交互式呈现技术的发展：HKUDS/Auto-Deep-Research通过动态界面实现交互式结果探索，允许用户通过迭代交互细化分析。

Deep Research系统实现架构

包括单体架构、流水线架构、多智能体架构和混合架构：

• 单体架构：将所有深度研究功能集成在一个统一的框架中，以中心推理引擎为核心。其特点是集中式控制流、紧密耦合的组件和共享内存系统。优点是推理一致性和实现简单性，但扩展性和并行化能力有限。例如，OpenAI/DeepResearch和grapeot/deep_research_agent采用这种架构。

• 流水线架构：将研究流程分解为一系列专门的处理阶段，每个阶段负责特定的数据转换任务。其特点是顺序组件组织、标准化接口和可重用性。这种架构适合需要定制化工作流的场景，但可能在复杂推理任务中表现不佳。例如，n8n和dzhng/deep-research采用这种架构。

• 多智能体架构：通过多个专门的智能体协作完成研究任务，每个智能体负责特定的角色和任务。其特点是分布式功能分解、明确的协调机制和自主决策逻辑。这种架构在需要多样化专业能力和并行处理的复杂研究任务中表现出色，但需要解决整体一致性和推理透明性的问题。例如，smolagents/open_deep_research和TARS采用这种架构。

• 混合架构：结合了上述多种架构的优点，以适应不同的研究需求。其特点是分层组织、领域特定优化和灵活的集成机制。这种架构提供了最大的灵活性，但也增加了实现的复杂性。例如，Perplexity/DeepResearch和Camel-AI/OWL采用这种架构。

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】