DuMate-DeepResearch：基于递归搜索与标准锚定推理的可审计多智能体深度研究系统 DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning

DuMate-DeepResearch的方法步骤完整描述如下，整个过程形成一个闭环的、可审计的研究工作流。输入是用户查询q，系统首先通过Router模块进行任务理解和分析，提取核心研究主题并将其整合为结构化表示，例如标准JSON格式。Router还充当智能用户界面：如果初始查询模糊或不完整，Router会主动提示用户进行澄清，确保研究轨迹与用户期望保持一致。接着，Planner模块基于结构化任务表示分析当前知识状态，识别关键的认知空白和知识缺口，然后将总体目标战略性地分解为可处理的关键研究问题和可操作的子问题。Planner选择要使用的具体工具并生成执行所需的相应参数，这一过程是基于对任务需求、工具能力和当前证据状态的综合判断。系统进入粗到细的扩展阶段：首先进行宏观级别的探索性检索阶段，以映射研究空间并建立初步的认知框架，使用t_c表示这个初始粗探索阶段完成的检查点，对应的证据库被Writer用来构建固定大纲O。然后系统转换到细粒度阶段，在定义的子主题中系统地深入收集有针对性的证据，这个渐进式分解和整合机制随着证据积累细化研究范围，校准广度和深度之间的边界而不失去焦点，避免了过早收敛或无界探索的问题。形式上，研究路线图在规划迭代t时被形式化为有向无环图结构的计划pt等于Vt、Et，其中每个节点v属于Vt是一个携带元组d(v)、chi(v)的子任务，d(v)属于正整数是其其在粗到细层次中的深度（较小值表示更广泛的探索性子任务），chi(v)属于0、1是二进制执行状态，有向边u、v属于Et记录v依赖于u。调度器只调度就绪前沿Ft，即其依赖都已满足的未执行子任务，这种依赖感知的调度确保了任务执行的顺序正确性和并行执行的安全性。在每个里程碑（节点），智能体评估中间结果是否符合预期，当出现异常时修剪死分支，调整后续策略，并重新规划替代路径，这种反思式决策使得系统能够适应不确定性。每个候选动作首先通过轻量级反思门，然后才调用任何工具，被拒绝的动作在批评者反馈下进行有限轮数的修订，这种预防性质量控制避免了执行无效或有害的操作。当执行动作涉及开放式的检索子任务时，外层执行模块不直接调用搜索工具，而是派生一个内层Search Agent。这个智能体遵循相同的Foundry抽象，有自己的Router、Planner和执行模块，但针对单个子任务操作本地搜索状态。它决定如何搜索：制定和重新制定查询，调用Tool Ecosystem的检索工具，并合并返回的证据直到该子任务被充分覆盖，然后返回证据列表和摘要，这些被附加到当前周期的Delta et。系统同时维护两种类型的标准：定义稳定的、主题级别质量维度并在会话中统一应用的持久标准rho_p，和从最新检索信息派生的捕获瞬态标准的临时标准rho_et。初始化操作从研究主题和报告大纲生成持久标准rho_p等于G_p(x, O)，更新操作在每个周期结束时刷新临时标准rho_et加1等于G_e(O, e_t加1)，以便针对当前证据状态暴露的最决策相关的空白，并与演化的计划保持步调一致。Planner和Search Agent在迭代研究期间使用完整活动标准rho_p、rho_et，而Writer在最终合成期间只消耗持久报告阶段标准rho_p，这种分层标准使用策略避免了动态证据约束对报告写作的干扰。循环在前沿耗尽或Planner发出终端合成动作时停止，然后Writer从累积证据合成长篇报告y，整个过程是完全可审计的，每个决策、每个工具调用、每条证据都被记录和追踪。

DuMate-DeepResearch的技术新颖性体现在多个维度，从架构设计到算法创新都有实质性突破。在架构层面，它提出了Qianfan Agent Foundry这一将认知核心与执行生态解耦的基础设施，这种解耦不仅实现了模块独立演进和灵活扩展，还将每个决策轨迹暴露为可审计工件，直接解决了深度研究的透明度和可审计性挑战，这是大多数现有系统缺乏系统性考虑的方面。大多数现有系统要么使用紧密集成的单体架构，如OpenAI DeepResearch，要么使用顺序连接阶段的流水线架构，如n8n工作流，要么使用难以审计的黑盒集成方案，Foundry的解耦设计在这些方案之间找到了平衡点，既有统一控制流，又保证可扩展性和工具可扩展性，而且全程可审计。在规划算法层面，它提出了图动态规划，将研究路线图表示为动态有向无环图并通过单个重新规划操作符Pi统一处理扩展、反思式重新规划和自适应停止，这比传统的逐步ReAct推理或固定计划分解有本质区别和显著优势。形式化地将扩展、反思式重新规划和自适应停止转换为单一可审计更新规则是该工作的新颖性之一，这种数学形式化为系统的分析和改进提供了坚实基础。在执行模式层面，它提出了递归两级执行，将Foundry范式递归实例化，外层规划智能体将深度研究任务分解为子任务，每个复杂的搜索子任务又由内层搜索智能体（本身是具有自己规划-执行周期的完整Foundry智能体）解决，这种嵌套将嘈杂的多步检索与高层策略隔离，防止单个失败的搜索破坏全局轨迹，这是在技术上可验证的稳定性保证，也是对传统扁平智能体架构的实质性改进。在推理优化层面，它提出了基于标准的测试时优化，将评估信号转换为推理时的实时脚手架，并设计了持久标准和临时标准的双轨机制，使Planner和Search Agent使用活动标准进行决策，而Writer使用持久标准进行合成，这种分层标准策略在现有工作中未被系统探索，是连接评估和生成的创新方法。最后，整个系统被形式化为统一的状态转移框架，用数学符号精确描述了规划、执行、证据累积和标准更新的交互，这种形式化的系统设计在深度研究领域较为罕见，为系统的理论分析和实际实现提供了坚实基础。综合而言，DuMate-DeepResearch的技术新颖性不在于单个组件的改进，而在于系统性地将架构创新、算法创新和机制创新整合到一个可审计、可扩展、可靠的深度研究框架中。

DuMate-DeepResearch的独立分析弱点主要集中在特定场景下，这些场景暴露了系统设计的盲点或限制。第一，在需要深度领域专业知识的研究任务中，系统的表现可能受限。虽然Search Agent可以通过多轮检索不断细化查询，但如果某个领域的专业知识散落在付费数据库、学术期刊内部、行业报告或需要特定应用程序接口访问权限的系统中，系统可能无法获取足够的高质量证据，从而影响报告的专业性和准确性。例如，在医学法律或金融领域，许多关键信息存在于需要订阅的专业数据库中，系统可能无法访问这些资源，导致报告不够全面。改进方向是扩展Tool Ecosystem以包含更多领域特定的数据源和应用程序接口，如学术数据库订阅接口、专利检索应用程序接口、行业报告获取渠道、专业领域知识库等，从而提高系统在专业领域的能力。第二，在需要实时数据的研究任务中，系统的表现可能不稳定。搜索索引的延迟意味着最新发布的新闻、政策变化、市场数据或突发事件可能尚未被索引，导致报告中的信息过时或不准确，这在需要实时信息的研究场景中是一个严重问题。改进方向是集成实时数据源，如新闻应用程序接口、市场数据流、社交媒体监控、政府公告接口等，并建立时间戳感知机制，优先选择最新来源并在报告中明确标注信息的时效性，让用户能够评估信息的当前有效性。第三，在需要复杂计算或模拟的研究任务中，系统的能力有限。虽然系统可以执行一些轻量级的语言模型推理操作，如证据去重、合并和交叉验证，但对于需要运行代码、执行统计模型、进行数值模拟或处理大规模数据集的任务，系统无法直接完成，这限制了系统在需要定量分析的研究场景中的应用。改进方向是增强Sandbox工具的能力，支持代码执行、数据分析库和统计建模工具，使系统能够在需要时执行复杂计算，从而扩展系统的定量分析能力。第四，在需要跨语言检索的研究任务中，系统的语言依赖性可能成为瓶颈。虽然DeepResearch Bench包含中英文任务，但如果研究主题涉及小语种资源、多语言文献或需要整合不同语言的信息，系统可能无法有效检索和处理这些内容，导致信息覆盖不全。改进方向是改进多语言查询扩展和跨语言检索能力，支持自动识别相关语言的资源并进行翻译和整合，从而提高系统的多语言处理能力。第五，在需要处理冲突证据的研究任务中，系统的冲突解决机制可以更加显式和系统化。虽然系统可以进行多源交叉验证，但当多个来源提供相互矛盾的信息时，系统需要更明确的冲突检测和解决策略，如根据来源权威性、数据时效性、样本规模、方法论严谨性等因素进行加权决策，或者明确标注冲突并提供多个视角。改进方向是引入显式的冲突检测模块和基于元数据的证据加权机制，使系统能够更系统地处理信息冲突并给出更 nuance 的结论。

未来的研究方向可以从多个维度展开，基于DuMate-DeepResearch的成果和局限性可以延伸出许多有价值的研究方向。作者明确提出了三个方向：扩展评估到额外的实时和多模态深度研究基准，通过更丰富的领域特定能力扩展Tool Ecosystem，以及进一步研究基于标准的优化作为训练时和测试时信号。基于DuMate-DeepResearch的成果可以延伸的研究方向包括：第一，将标准锚定推理从测试时优化扩展到训练时优化。目前标准主要用于推理时的实时脚手架和停止条件，未来可以将标准作为强化学习的奖励信号，训练模型在规划、检索和生成阶段内化质量标准，从而减少对显式标准注入的依赖，提高系统的效率和自主性。第二，探索更深层次的递归执行。目前系统采用两级递归，外层Research Agent和内层Search Agent，未来可以探索三层或更多层的递归，例如让Search Agent进一步派生专门的验证Agent或综合Agent，形成更细粒度的职责分工和更复杂的协作模式，从而提高系统处理复杂任务的能力。第三，研究动态有向无环图规划的自动化学习。目前有向无环图的结构和扩展策略主要由语言模型驱动，未来可以学习从历史成功轨迹中抽象出通用的规划模式，形成可重用的规划模板或策略，减少对规划的从头生成依赖，提高规划效率和质量。第四，探索多智能体协作的强化学习训练。目前多智能体之间的协作主要基于规则和提示工程，未来可以通过多智能体强化学习自动学习最优的协作策略，特别是Research Agent和Search Agent之间的任务分配和调度策略，从而提高系统的整体性能和适应性。第五，研究持续学习和在线适应机制。系统目前在每个研究会话中从零开始构建计划和证据库，未来可以探索跨会话的知识复用，将过去的成功计划片段、证据整合模式和报告结构抽象为可重用的组件，从而加速新任务的执行并提高系统的持续学习能力。第六，探索人机协作的模式。虽然系统设计为自主研究，但在高风险领域，如医疗、金融、法律，人类的参与和验证仍然重要。未来可以研究如何设计有效的人机交互界面，让人类专家能够在关键决策点，如计划制定、证据评估、结论形成提供输入和验证，形成增强智能的研究模式，结合人类的专业判断和系统的信息处理能力。第七，研究多模态深度研究能力。目前系统主要处理文本信息，未来可以扩展到图像、视频、音频、代码等多模态信息的处理和合成，从而支持更广泛的研究场景，如视觉分析、多媒体报告生成等。

DuMate-DeepResearch的可复现性评估显示系统在公开性和透明度方面表现良好，但在一些方面仍有改进空间。开源情况方面，作者在论文中提供了GitHub链接，表明系统将以开源形式发布，但具体的开源范围，如是否包含完整代码、模型权重、配置文件等，在论文撰写时尚未明确，这可能会影响其他研究者的复现工作。数据方面，系统使用的DeepResearch Bench和DeepResearch Bench II基准测试是公开可用的，前者包含一百个任务涵盖二十二个领域的中英文任务，后者包含一百三十二个任务共九千四百三十个细粒度二元标准，这为结果的独立验证提供了基础。评估协议明确说明系统在报告生成时只获得基准查询，不访问基准参考报告、专家报告或评估标准，特别是对于DeepResearch Bench II，评估标准来源于专家报告，而DuMate-DeepResearch生成的标准是在测试时独立生成的，这确保了评估的公平性和结果的可靠性。算力方面，论文未明确报告训练和推理的具体算力消耗，但从系统架构可以推断推理成本主要来自三个部分：外层规划循环（最多十五次迭代）、内层Search Agent的检索轮次（每个最多十次轮次，每轮最多三个子查询每个查询返回三个结果）、以及最终的报告合成。这种设计虽然保证了质量，但也意味着较高的推理成本，特别是在网络环境不稳定或需要多次重试的场景中，可能会增加时间和资源消耗。实现细节方面，论文详细描述了关键超参数设置：外层规划循环最多运行十五次迭代；每个内层Search Agent执行最多十次检索轮次，每轮生成最多三个子查询每个查询返回三个结果；启用扇出并行执行以便就绪前沿上的独立子任务并发执行。所有报告的DuMate-DeepResearch结果都是三次独立运行的平均值，这为结果的可复现性提供了基础，表明结果不是偶然获得而是稳定的。总体而言，DuMate-DeepResearch的可复现性在公开基准测试、明确实现细节和多次运行平均方面表现良好，但完整的开源代码和模型权重尚未发布，算力消耗相对较高，可能限制资源受限的研究者进行独立复现。未来工作应该进一步提高开源程度，提供更详细的实现文档，并探索降低推理成本的方法，以提高系统的可复现性和可访问性。