介绍Deep Research智能体的使用场景和技术原理
如何真正用好 Deep Research 智能体？扣子空间实测超实用场景大全 🧵
上周一扣子空间发布的时候，求邀请码的很多，但要到邀请码后，除了写调研报告似乎不知道该用来干什么。扣子空间属于“Deep Research（深度研究）”智能体，其实有很多有价值的应用场景，并不局限于写个报告。我自己日常用的很多，所以我尝试从如何用好 Deep Research 的角度，谈一下我自己的使用经验和心得。
什么是 Deep Research？和 AI 搜索什么区别？
Deep Research 本质上是一个能自主完成复杂研究任务的 AI 助理。可能有人会问：“我用的 AI 搜索也挺好啊，Deep Research 有什么特别的？”
AI 搜索 vs Deep Research
传统的 AI 搜索就像一个“懒散的图书管理员”，你不问，它就不动。问了之后，它也只会机械地把书递给你，并不会主动帮你阅读整理书中的知识点，更不会告诉你接下来还要查什么。
而 Deep Research 却像一个主动又勤奋的研究助理，它不仅能：
- 自动制定研究计划，主动拆解复杂问题。
- 自主行动并使用工具，包括访问网页、执行代码，甚至处理 PDF 文件。
- 循环推理、行动、反馈，自我迭代直到得到完整的研究成果。
- 拥有记忆功能，全程记录和整理研究过程。
简单来说，Deep Research 能够独立完成“规划-搜索-总结-报告”的完整研究流程。
技术原理
那么 Deep Research 是如何实现的呢？之所以要了解其技术实现，是因为这有助于我们了解其能力上限，让我们使用时不必局限于写个简单的调研报告，还可以做很多其他任务。
由于扣子空间并没有公布其实现原理，所以这里我以 OpenAI 的 Deep Research 技术架构为例，通俗易懂的解释其实现。
（可以参考图1 直观理解 Deep Research 原理）
1. 最外面一层就是用户界面层 （聊天对话框 + “Deep Research” 按钮）
用户界面的关键作用就是接收你的问题，展示引用结果
2. 第二层是任务编排 / 计划层 Planner + Memory
关键作用是把大问题拆成可执行步骤；记录中间状态；调用小模型把长链思考摘要成短句，避免把“思路”直接暴露给用户。
这就像现实世界中的项目经理：先列 todo，再派工
3. 第三层是工具层 （受限浏览器、Python 沙箱、文件阅读器）
关键作用是浏览网页、点链接、滚动、抓文本；本地跑 Python 做数据统计/画图；解析上传的 PDF/Excel
这就好比帮项目经理干活的实习生用到的上网工具 + 本地代码运行环境，用来跑个代码什么的
4. 第四层是安全与合规层 （拒绝策略、块表、输出分类器、隐私过滤）
关键作用是拦截炸弹制造、私密信息等违规请求；限制工具调用范围（例如禁止 Python 连网、禁止随意拼接 URL）
就好比帮项目经理干活的实习生用的本底防火墙，以及做完任务还要有人去审核一下内容是不是合规
5. 最底层是基础模型层 （比如 OpenAI 的 o3 模型）
这是真正理解、推理、生成文字的“大脑”，也就是大语言模型本体
外部数据源（互联网 & 用户上传文件）→ 通过工具层进入 → o3 推理 → 结果经 **输出管理器**（插入引用、排版）→ 返回 UI。
以上层次串在一起，就形成一条“思考-行动-观察-总结”的循环，完成多步研究任务。🧵
上周一扣子空间发布的时候，求邀请码的很多，但要到邀请码后，除了写调研报告似乎不知道该用来干什么。扣子空间属于“Deep Research（深度研究）”智能体，其实有很多有价值的应用场景，并不局限于写个报告。我自己日常用的很多，所以我尝试从如何用好 Deep Research 的角度，谈一下我自己的使用经验和心得。
什么是 Deep Research？和 AI 搜索什么区别？
Deep Research 本质上是一个能自主完成复杂研究任务的 AI 助理。可能有人会问：“我用的 AI 搜索也挺好啊，Deep Research 有什么特别的？”
AI 搜索 vs Deep Research
传统的 AI 搜索就像一个“懒散的图书管理员”，你不问，它就不动。问了之后，它也只会机械地把书递给你，并不会主动帮你阅读整理书中的知识点，更不会告诉你接下来还要查什么。
而 Deep Research 却像一个主动又勤奋的研究助理，它不仅能：
- 自动制定研究计划，主动拆解复杂问题。
- 自主行动并使用工具，包括访问网页、执行代码，甚至处理 PDF 文件。
- 循环推理、行动、反馈，自我迭代直到得到完整的研究成果。
- 拥有记忆功能，全程记录和整理研究过程。
简单来说，Deep Research 能够独立完成“规划-搜索-总结-报告”的完整研究流程。
技术原理
那么 Deep Research 是如何实现的呢？之所以要了解其技术实现，是因为这有助于我们了解其能力上限，让我们使用时不必局限于写个简单的调研报告，还可以做很多其他任务。
由于扣子空间并没有公布其实现原理，所以这里我以 OpenAI 的 Deep Research 技术架构为例，通俗易懂的解释其实现。
（可以参考图1 直观理解 Deep Research 原理）
1. 最外面一层就是用户界面层 （聊天对话框 + “Deep Research” 按钮）
用户界面的关键作用就是接收你的问题，展示引用结果
2. 第二层是任务编排 / 计划层 Planner + Memory
关键作用是把大问题拆成可执行步骤；记录中间状态；调用小模型把长链思考摘要成短句，避免把“思路”直接暴露给用户。
这就像现实世界中的项目经理：先列 todo，再派工
3. 第三层是工具层 （受限浏览器、Python 沙箱、文件阅读器）
关键作用是浏览网页、点链接、滚动、抓文本；本地跑 Python 做数据统计/画图；解析上传的 PDF/Excel
这就好比帮项目经理干活的实习生用到的上网工具 + 本地代码运行环境，用来跑个代码什么的
4. 第四层是安全与合规层 （拒绝策略、块表、输出分类器、隐私过滤）
关键作用是拦截炸弹制造、私密信息等违规请求；限制工具调用范围（例如禁止 Python 连网、禁止随意拼接 URL）
就好比帮项目经理干活的实习生用的本底防火墙，以及做完任务还要有人去审核一下内容是不是合规
5. 最底层是基础模型层 （比如 OpenAI 的 o3 模型）
这是真正理解、推理、生成文字的“大脑”，也就是大语言模型本体
外部数据源（互联网 & 用户上传文件）→ 通过工具层进入 → o3 推理 → 结果经 **输出管理器**（插入引用、排版）→ 返回 UI。
以上层次串在一起，就形成一条“思考-行动-观察-总结”的循环，完成多步研究任务。🧵