DuMate-DeepResearch：一个具有递归搜索和基于评分推理的可审计多智能体系统

TL;DR DuMate-DeepResearch 是一个可审计的多智能体深度研究框架，通过基于图的动态规划、递归两级执行与准则驱动推理，在长程研究任务上达到新 SOTA。

问题

问题背景

Deep Research (DR) 作为一种新兴的 agent 范式，旨在自动完成复杂、开放式的信息检索、证据验证与长文报告合成，已成为 AI 研究的热点方向。

现有方法局限

当前 DR 系统普遍存在四项技术瓶颈：

• 长程规划范围模糊：任务初始范围不明确，导致 agent 在大量无关信息中迷失，难以聚焦核心子问题。
• 单 agent 调度瓶颈：单一 agent 需同时负责分解、调度与执行，缺乏并行扩展能力，且检索噪声易导致执行链条断裂。
• 长文合成幻觉风险：生成报告时缺乏结构化质量准则，仅依赖模型内部知识，容易产生事实性错误和逻辑不一致。
• 过程可审计性低：大多数系统为黑箱运行，中间决策与工具调用不可追溯，难以用于高风险领域（如医疗、法律）。

为什么该问题重要且困难

研究任务具有高度开放性和多步依赖性，需要动态调整搜索策略、回溯错误路径并交叉验证信息。上述挑战相互交织：长程规划失败会加剧幻觉，而不可审计又使得错误难以定位。业界对可信、可解释的自动化研究工具需求强烈，但现有方案（如基于 ReAct 的单 agent、LangChain 搜寻器）难以兼顾自主性与可靠性。因此，设计能精细解耦规划、执行与质量控制的架构，成为突破 DR 实用性的关键。

行业类比

类似于金融分析师需要自动收集并交叉分析海量数据生成投资报告——如果系统无法提供可追溯的证据链和动态质量检查，其输出就无法被实际决策采纳，这正是 DR 系统必须兼顾自主性与审计性的写照。

核心洞察

• **多智能体解耦架构结合可审计工具链**：DuMate-DeepResearch 将 Agent Core（任务理解、规划与调度）与 Tool Ecosystem（检索、证据获取、报告渲染）显式分离，所有中间决策和工具调用均可追踪。这不同于大多数单智能体 Deep Research 系统将规划与工具调用耦合在一起的做法，后者往往难以排查长程任务中的错误来源。该解耦设计使系统行为更透明，便于调试与优化，同时通过千帆 Agent Foundry 为复杂研究任务提供了可扩展的工程基座。
• **图动态规划与递归两级执行的深度结合**：框架引入的 coarse-to-fine 图规划策略，能在执行中通过反思、重规划、回溯和并行分支持续修正研究路线图，有效应对范围模糊的长程任务。更进一步，它将复杂子任务委托给内部搜索智能体，由后者运行独立的规划循环，从而隔离检索噪声、稳定执行。这种将全局动态规划与局部递归执行耦合的设计，优于以往依靠静态分解或单智能体顺序执行的方案，显著提升了信息召回率，并在 DeepResearch Bench II 上取得最佳成绩（61.95%），其中信息召回与分析均排名第一。

方法

输入与问题建模

给定一个开放式的深度研究任务（如“分析XX行业趋势”），系统首先将用户请求解析为结构化的研究问题。输入形式上是一个自然语言查询，框架内部会通过 Core Router 将其转化为可执行的任务图谱，包含需要探索的子问题、查询计划和预期的证据结构。

核心架构：解耦的 Agent Core 与 Tool Ecosystem

DuMate-DeepResearch 将控制逻辑与工具能力解耦：

• Agent Core 包含 Router（任务理解与分解）、Planner（规划与动态调度）、Execution Module（按规划调度子任务）；
• Tool Ecosystem 提供搜索引擎集成、报告渲染等可插拔能力，所有中间决策和工具调用均被显式记录，支持审计。

这种解耦使得系统在多步推理中保持可追溯性，同时便于扩展新的检索或报告工具。

关键机制一：基于图的动态规划

规划器首先生成一个粗粒度的研究路线图，然后通过 图扩展 逐步细化：

1. 将每个子问题作为一个节点，定义其间的依赖与分支关系；
2. 在搜索过程中，通过反思、重规划、回溯与并行分支持续修订图结构；
3. 动态调整搜索边界，避免在无关方向上过度消耗 token，实现远视规划。

关键机制二：递归两级执行

每个复杂的搜索子任务被委派给一个独立的 Search Agent，该 Agent 内部运行自己的规划循环（多轮检索、评估与重试）。这种递归设计将嘈杂的检索过程隔离在内层，稳定了长周期执行，并缓解单智体上下文窗口膨胀问题。

关键机制三：基于评价量规的测试时优化

系统动态生成任务专属的质量评价量规（rubric），并将其作为实时推理支架：

• 在证据收集阶段，rubric 用于指导检索方向，确保覆盖关键维度；
• 在报告合成阶段，rubric 作为检查清单，驱动自适应停止条件，减少幻觉。 量规的生成由 Planner 在任务初期完成，并在多智体协作中共享，保证不同子任务输出的一致性。

输出与差异点

系统最终输出一份结构化的长报告，包含引用溯源。与同类单智能体 DR 系统相比，DuMate-DeepResearch 通过解耦架构 + 图动态规划 + 递归搜索 + 量规驱动的组合，实现了更高的过程可审计性和任务完成度，在 DeepResearch Bench 和 DeepResearch Bench II 上均达到 SOTA 分数。

实验

实验在两个深度研究基准上进行：DeepResearch Bench 和 DeepResearch Bench II。评估采用标准化协议，包含整体表现、消融研究和定性案例分析。

关键发现

在 DeepResearch Bench 上，DuMate-DeepResearch 取得 58.03% 总分，成为新的最佳结果；在 DeepResearch Bench II 上以 61.95% 总分登顶，并在信息召回和分析子项排名第一。消融实验表明：

• rubric 引导（rubric-grounded reasoning）对长文合成质量有显著正向影响
• 报告阶段模型选择直接影响最终报告得分 定性案例验证了粗到细扩展、图动态规划、递归检索和 rubric 推理支架在复杂研究任务中的有效性。

与基线对比

虽然未给出具体基线名称，但论文宣称超越了先前所有系统。相比单智能体方案，多智能体解耦架构（Agent Core + Tool Ecosystem）使得规划、检索、合成各自优化；图动态规划和递归两级执行缓解了长期规划的视角漂移和噪声累积；rubric 测试时优化将质量评估转化为实时推理支架，显著降低幻觉风险。这些机制共同提升了深度研究的深度、准确性和过程可审计性。

行业影响

落地场景

DuMate-DeepResearch 的多智能体架构与可审计特性，适合需要自动完成长周期信息检索、证据验证与报告合成的场景。典型应用包括：

• 企业知识管理系统：自动聚合内外部数据，生成技术趋势分析、竞品动态监测报告。
• 金融与投资分析：基于多源信息（财报、新闻、研报）进行自动化基本面分析或事件驱动型研报撰写。
• 科研辅助：系统性地进行文献检索、信息提取与综述生成，加速科研工作者的前期调研。
• 内容平台深度专题：从互联网抓取多角度素材，自动生成结构化的长文快讯或行业解读。

商业价值

框架通过解耦智能体核心与工具生态，以及图动态规划和量规引导合成，在三个维度上创造价值：

• 降低成本：将原本由人工分析师或研究员完成的多步骤信息搜集、整理、验证与文案撰写工作自动化，大幅减少人时消耗。递归两级执行设计隔离了噪声检索，提升了长任务执行的稳定性，降低因中间步骤失败而返工的成本。
• 提升收入/转化：对于内容平台或信息产品，更快的高质量报告产出意味着更及时的付费内容供给；在金融场景中，更早更精准的研究分析可辅助投资决策，间接提升收益。
• 体验与信任：全链路可审计（每一步工具调用、规划决策均可追溯）解决了黑盒生成式报告的信任问题；量规机制为报告质量提供了显式评估维度，使最终产出更符合专业机构的标准，提升用户对AI生成内容的采纳率。

与现有产品/工作流的接口

系统设计天然面向集成：

• 工具生态扩展：通过Qianfan Agent Foundry 可轻松接入企业内部数据库、搜索引擎、API服务，将其作为检索工具插入现有工作流。
• 微服务化集成：将框架的Agent Core（任务理解、规划、调度）部署为独立服务，通过API供上层应用（如办公套件、BI系统、聊天机器人）调用，输入自然语言研究任务，直接返回结构化报告与过程审计日志。
• 报告渲染管道：内置的报告渲染工具可将中间产物转换为Markdown、PDF或嵌入前端组件，与已有的内容管理系统（CMS）或文档平台无缝衔接。

具体落地 Use Case

1. 电商平台竞品分析自动化

某全球电商企业的战略部门需要定期监测数十个竞品的定价、营销活动与用户评价。传统上需多人多天完成。引入 DuMate-DeepResearch：

• 输入任务：“分析过去一周主要竞品在社交媒体上的促销策略变化，并评估其对新品发布的影响”。
• 系统通过图动态规划先粗粒度划分任务为“数据采集”“策略分类”“影响分析”，再细粒度展开搜索子任务。
• 递归两级执行：内层搜索智能体独立处理多源检索与去噪，外层规划器监控进度并动态调整路线。
• 量规机制根据任务自动生成评估指标（如“是否覆盖至少3个平台”“分析是否结合历史对比”），驱动合成阶段输出结构化策略报告，并附带每一条数据的信源链接与审计轨迹。
• 结果：一份原本需40人时的报告，可缩短至数小时的自动生成+人工复核，直接提升决策效率。

2. 在线教育平台的个性化学习路径生成

大型在线教育平台希望根据每个用户的学习背景与目标，自动生成包含文献阅读、案例分析和实验项目的综合学习计划。传统规则或单一模型难以保证计划的深度与信源质量。

• 将 DuMate-DeepResearch 集成到平台后端：接收“为具有Python基础、希望入门强化学习的学习者，设计一个为期四周、包含10个实操项目的学习路径”。
• 框架的任务理解与规划模块将任务分解为：列出RL核心概念→搜索优质教程/论文→匹配开源项目→编排顺序与依赖关系。
• 利用递归搜索获取每个概念的多种教学资源，并通过量规（如“资源必须包含可运行代码”“项目难度呈递进”）筛选与合成。
• 最终输出一份带外部链接、难度标签和预计学习时间的动态学习计划，支持随时回溯任意决策依据（为什么选择该文献/项目）。
• 平台借此提供高价值的定制化服务，降低课程设计的人力投入，同时因过程可审计而增强了内容的公信力。

局限

• 尽管 **图动态规划** 通过粗到细扩展与反思回溯提升规划鲁棒性，但其对开放式研究边界的定义仍高度依赖初始任务分解提示。当问题涉及跨学科或高度抽象的查询时，早期粗略阶段生成的子问题图可能引入系统性偏差，后续精细扩展难以完全纠正，导致遗漏关键证据线索。此外，规划器自身的幻觉风险可能影响图结构合理性，论文未讨论相应的故障检测与回退机制。
• 论文引入 **递归二级执行** 将复杂搜索子任务委托给内部搜索智能体，隔离噪声检索并稳定长程执行，但该设计可能带来递归深度失控与智能体间通信迟滞。在极端长程任务（如多轮信息综合、细粒度事实核查）中，内层搜索智能体自主规划循环可能产生冗余搜索或偏离主任务目标，而报告合成阶段若缺少对递归路径的全局一致性校验，可能引入累积错误。目前仅在两个学术基准上验证，缺乏真实世界开放性任务的泛化证据和效率评估。
• **评分标准驱动的测试时优化** 将质量准则作为推理支架，有助于证据接地合成和自适应停止，但其评分标准生成完全依赖大模型，可能隐含模型偏好与训练数据偏差，使得某些类型的研究报告（如争议性话题）的合成不自觉地倾斜。可审计性虽在框架层面强调全程可追溯，但未提供审计指标或用户界面来定量评估追踪链路的质量与完整性，实际落地时审计价值有限。