科技Bestblogs·小林coding··AI 生成
面试官皱眉：“你用过 LangChain 里的 Deep Research 吗？”，我：“就是多搜索几次，再让模型生成一篇更长的报告”
文章澄清了 LangChain 生态中 Deep Research 的真实定位：它并非一个固定开关，而是一类研究型 Agent 架构，核心在于动态规划、子课题隔离、证据核验与统一写作。作者详细拆解了六步核心流程，并强调拆分子 Agent 的首要目的是隔离上下文，研究质量应沿「来源→证据→结论」反向追查。文章适合希望落地复杂研究型 Agent 的技术人员阅读，提供了比简单轮询搜索更系统的工程思路。原文 ↗原文 ↗
核心观点
- ▍Deep Research 不是 LangChain 核心包里的固定功能，而是一类研究型 Agent 架构，官方提供 open_deep_research 参考实现和更通用的 Deep Agents SDK，两者定位不同，不能混为一谈。
- ▍核心流程为六步：澄清范围、生成 Research Brief、Supervisor 拆分子课题、Researcher 并行检索与核验、压缩证据并检查研究缺口、统一生成最终报告。
- 01拆分子 Agent 的首要目的是隔离上下文，多个主题混在同一上下文会互相干扰；子 Agent 只处理一个子课题并只返回压缩结论和来源，主 Agent 不必背负全部搜索过程。
- 02研究质量应沿「来源→证据→结论」反向追查，链接多不等于证据可靠。多篇转载可能同源，不能当成交叉验证；需确认来源是否真正支持结论，报告应区分事实、推断与不确定性。
- 03成本控制需同时限制宽度（并行研究单元）和深度（迭代轮数），并设置总 Token、搜索费用和超时预算，补充重试、缓存、限流和取消策略。
- 04安全方面需防范网页提示词注入，工具应优先只读、内部数据最小权限、密钥不暴露、高风险操作人工审批并保留 Trace。
- 05只有相互独立的子课题才适合并行，依赖关系强的任务仍须串行，Agent 越多调用、费用、限流和协调成本越高。
反方 / 局限
- — 文章未明确讨论 Agent 多次迭代可能引入的级联错误或事实漂移问题，也缺乏对端到端延迟与实时性要求的权衡分析。
- — 文章未涉及非英文场景下检索质量不足或主流语言模型对中文/小语种来源理解偏差的局限性。
前置背景
技术原理
平行视角
未来推演
延伸追问