自从有了Deep Research，我成了文献综述/技术调研爱好者

最新推荐文章于 2025-07-21 11:32:28 发布
原创 最新推荐文章于 2025-07-21 11:32:28 发布 · 332 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

作为一名算法工程师 and 灌水科研工作者，

我过去几年每年的论文阅读量都在100篇以上。

以至于，我的Zotero里面现在积累了2000篇以上的paper。因为一直做的医疗AI算法，所以医学AI类的文章占了将近一半的比例。

过去，我经常跟我的组员、跟机器学习交流群里的群友说，想要快速切入到一个不太熟悉的学术方向和技术领域时，最好的方法是找一篇该领域最新的综述来精读。这样你就会对这个领域的研究进展有一个概括性的roadmap。

然后再有针对性的做文献调研，即使一个非常细分的研究方向，多则大几十篇文献，少则十几篇文献，阅读和总结都非常费时费力（用我们写论文常用的话来形容就是time-consuming and labor-intensive）。一次文献调研工作通常会持续1-2周时间才能形成最终的PPT调研报告。

但今时不同往日了。

自从年初OpenAI发布了Deep Research（深度研究）功能之后，我在文献调研上花的时间可能只有之前的1/5。对于新的技术方向和学术课题，我只需要分别在ChatGPT和Gemini中描述好调研需求，半个小时之内，一篇内容详尽、数据最新的调研报告就会呈现在我的眼前。

这个东西，真的可以算是科研工作者和调研爱好者的神兵利器。

到了2025年7月，Deep Research功能已经是各家大模型产品的标配了，一定程度上也改变了传统搜索产品的逻辑。试想一下，你能忍受谷歌半个小时给你搜索结果？但现在，Deep Research在那里kuku一顿查，半小时给你调研报告，你还觉得这速度老快了。

截止到2025年7月，部分有Deep Research功能的厂商与模型如下。这个赛道目前来看可谓是千帆竞渡。

厂商

模型产品

Deep Research功能发布时间

OpenAI

ChatGPT

2025.2

Perplexity.ai

Perplexity

2025.2

Google

Gemini

2024.12

Anthropic

Claude

2025.6

月之暗面

Kimi

2025.6

字节跳动

豆包

2025.6

百度

文心一言

2025.2

阿里

通义千问

2025.5

Deep Research是依托于Deep Search（深度搜索）功能的，本质上是一个迭代搜索和信息整合的Agent。Deep Search迭代地进行搜索、阅读和推理，三个步骤持续循环以提高信息收集的准确性和完整性。

而Deep Research则是在Deep Search基础上，用一个结构化的报告框架，比如目录、引言、主题1、主题2等来逐个应用Deep Search进行信息搜索和内容整合。所以，Deep Research的研究报告通常有更好的内容组织、连贯性和可读性。

各厂商虽然都没有公开详细的技术细节，但多少能窥见一些蛛丝马迹。比如OpenAI Deep Research是通过强化学习在网页浏览+工具使用任务上进行了训练，使其学会自主规划检索策略、解析复杂网页内容，并根据中间过程中的信息发现来动态调整搜索方向。在执行过程中，Deep Research可以调用ChatGPT内置的网络浏览器和Python工具。前者用于实时检索和阅读网页，后者用于数据处理和分析。

再比如Claude的Deep Research功能是基于Multi-Agent（多智能体）来实现的。Claude的多智能体研究系统采用主Agent+子Agent的分层架构，主Agent负责理解用户问题、规划解决方案和协调调度。每个子Agent则带有特定工具和目标，如负责网页搜索、负责资料引用等。

Deep Research的使用也非常简单。描述好你的调研需求，然后系统一般会有个任务的边界需要你确定，目的是使得调研方向、范围和内容更加聚焦。用户确认之后，Deep Research就开始干活了。

比如我作为一名爬行动物爱好者，让Gemini 2.5 Pro深度调研一下浙江省的毒蛇种类：

而且，报告也可以以PDF格式导出（Gemini），或者用可视化报告的方式呈现（Kimi）。

我数了一下今年2月份以来，我在各个平台使用Deep Research生成的报告数，足足有113篇，除了周末，基本上每天都在用AI做深度研究和调研，是名副其实的文献综述和技术调研爱好者。

有时候想想，现在的学生真幸福，赶上了AI爆发的好时代，各种信息、AI工具随手就能获得，我读研的时候要是有Deep Research这种科研大杀器，高低也能多出两篇学术成果。

虽然很好用，但是也必须提醒一下大家，Deep Research的缺点。特别是在对一个学术方向做详尽的paper review的时候，用Deep Research调研很多时候是不全面的。主要原因是它不能访问闭源的期刊文献，比如Springer、Elsevier、IEEE等学术出版商旗下的各类期刊论文。

但瑕不掩瑜，任何情况下，无论是学术调研、行业调研，还是查行业数据，甚至是用来直接翻译PDF文档，Deep Research都是每个知识工作者的必备Agent。

所以，调研爱好者们，Deep Research赶紧用起来！

后记：机器学习实验室公众号近期在进行内容重组，会更加聚焦AIGC和AGI相关学术、技术与应用。会加大原创内容产出，感谢各位读者的支持。

八年AI算法老兵，目前正在全面拥抱大模型和AIGC。感兴趣的小伙伴可以加我微信（louwill_）交个朋友。

>/ 作者：louwill




louwill12
关注
前沿技术领域论文阅读：科技发展的新跨越
AI天才研究院
06-25 1099
本文旨在为研究人员、工程师和学生提供一套系统化的前沿技术论文阅读方法论。在科技迅猛发展的今天，学术论文数量呈指数级增长，如何高效地从海量文献中获取有价值的信息成为关键挑战。前沿技术论文的特点和分类论文阅读的系统化方法论知识管理和文献综述技巧跨学科研究的整合方法首先介绍背景和基本概念然后深入探讨核心方法论接着展示实际应用案例最后提供工具资源和未来展望前沿技术(Leading-edge Technology)：处于科技发展最前端，具有突破性和颠覆性的新兴技术。
深度学习系列资料总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
从Deep Research到AI科学家，大模型正在重塑科研全流程
Everly_的博客
07-21 930
给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！与传统的搜索不同，Deep Search不是简单地返回一堆网页链接和文件名，让用户自行甄别判断，而是通过多路召回、融合检索，结合大语言模型的理解与推理能力，生成附带数据支撑和引用来源的精准答案。推理环节则负责评估当前的状态，并决定是应该将原始问题拆解为更小的子问题，还是尝试其他的搜索策略。
无需月费，完全本地运行！开源神器Local Deep Research解锁AI研究新姿势
weixin_62427272的博客
03-15 962
Local Deep Research的诞生，不仅是技术的突破，更是开源精神的胜利。Local Deep Research是一款基于本地化部署的智能研究助手，旨在通过AI技术自动化完成复杂的信息收集、分析和报告生成任务。在AI技术日新月异的今天，动辄数百美元的订阅费和高性能硬件需求，让许多开发者和小团队对前沿研究工具望而却步。：决定分析的迭代次数，浅层分析（1-3）适合初步结论，深度探索（5+）可生成详实报告。），用户无需支付月费，且所有数据处理均在本地完成，彻底杜绝隐私泄露风险。
机器学习(Machine Learning)&深度学习(Deep Learning)资料
随煜而安的专栏
05-02 6018
本文全文引用自点击打开链接，作者还在不断更新。 先转载下来，慢慢学习 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overv
机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)
GarfieldEr007的专栏
02-27 3004
机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1) 注:机器学习资料篇目一共500条,篇目二开始更新 希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子. 《Brief History of Mac
机器学习(Machine Learning)&深度学习(Deep Learning)资料集合
d5224的专栏
04-07 9207
机器学习(Machine Learning)&深度学习(Deep Learning)资料 原文链接：https://github.com/ty4z2008/Qix/blob/master/dl.md#%E6%B3%A8%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99%E7%AF%87%E7%9B%AE%E4%B8%80%E5%85%
deep learning 学习资料
yesage的专栏
07-13 4759
注:机器学习资料篇目一共500条,篇目二开始更新 希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子. 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboo
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ctrigger的专栏
05-10 6971
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写...
Fashion-MNIST数据集发布一周年，论文引用量超250篇
Paper weekly
10-08 2078
作者简介：肖涵博士，Fashion-MNIST 数据集作者。现为腾讯 AI 部门高级科学家、德中人工智能协会主席。他曾于 2014-2018 年初就职于位于德国柏林的 Z...
WF6.0Datasheet-2010-4-8.pdf
08-06
WF6.0Datasheet-2010-4-8.pdf
mmpose-main.zip
08-06
mmpose-main.zip
C语言课本，适合新手，大一新生可下载
08-06
最好还是提升一下自己的英语水平，因为很多书籍都是英语翻译过来的，有的甚至是日语转成英语再转成中文的，当然并没有必要学日语。等我们参加了工作、考生了研究生等会用到更多英文类书籍。
lwip-comm + dp83848驱动
08-06
在stm32f407中，利用mac + phy的方式，实现网口的驱动。最后移植到LWIP中，实现网络通信。亲测有效。
huangsisdjgslkdgjaljg 索拉卡噶数量可根据
08-06
huangsisdjgslkdgjaljg 索拉卡噶数量可根据
paho.mqtt.cpp公开
08-06
paho.mqtt.cpp公开
克而瑞研究中心：2024年前三季度中国房地产企业代建排行榜.pdf
最新发布
08-06
克而瑞研究中心：2024年前三季度中国房地产企业代建排行榜.pdf
Deep Research部署
03-27
<think>嗯，用户想了解如何部署Deep Research相关的技术或项目，特别是Deep Research的部署方法或指南。我需要先看看用户提供的引用内容。根据引用[1]，用户提到一个开源项目open deep research，项目地址是GitHub上的dzhng/deep-research。里面提到需要下载ollama，可能这个项目依赖ollama。另外，引用[2]讲的是评测数据集，但用户的问题主要关于部署，所以重点在引用[1]。 首先，我需要确定用户的需求是部署这个Deep Research项目。可能步骤包括环境准备、下载项目、安装依赖、配置等。用户提到的ollama可能是一个需要安装的工具，比如大模型本地运行的工具，类似ollama.ai？可能需要先安装Docker，因为很多项目用Docker来部署环境。然后克隆GitHub仓库，安装Python依赖，配置ollama模型，最后启动服务。可能还需要配置网络爬虫和搜索引擎部分，但用户提供的引用里没有详细说明，可能需要参考项目文档。 用户可能遇到的问题包括环境配置错误、依赖冲突、模型下载问题等。需要给出常见问题解决建议，比如检查Docker是否运行，权限问题，网络问题等。此外，用户可能对如何验证部署成功有疑问，所以建议访问本地端口查看服务是否运行。 还要注意用户提到的远程服务器云部署，所以步骤可能需要适应Linux环境，特别是Ubuntu。另外，可能需要使用systemd来管理进程，保持服务后台运行。生成的相关问题可能包括性能优化、扩展组件、安全配置等，这些可以作为相关问题列出。</think>### Deep Research 技术部署方法 根据GitHub项目描述，Deep Research的部署主要依赖**环境配置、组件安装**及**模型加载**。以下是分步指南： --- #### 一、环境准备 1. **操作系统要求** - 推荐使用Ubuntu 22.04 LTS或更高版本 - 确保已安装Python 3.10+和Docker[^1] 2. **依赖安装** ```bash # 安装Python虚拟环境 sudo apt-get install python3-venv # 安装Docker sudo apt-get install docker.io ``` --- #### 二、项目部署流程 1. **克隆代码仓库** ```bash git clone https://github.com/dzhng/deep-research.git cd deep-research ``` 2. **安装Python依赖** ```bash python3 -m venv venv source venv/bin/activate pip install -r requirements.txt ``` 3. **配置Ollama模型服务** - 下载并启动Ollama容器（需提前安装Docker） ```bash docker run -d -p 11434:11434 --name ollama ollama/ollama ``` - 加载所需的大语言模型（如Llama 3） ```bash docker exec ollama ollama pull llama3 ``` 4. **启动服务** ```bash # 启动网络爬虫模块 python crawler/main.py # 启动API服务 uvicorn api.server:app --reload --port 8000 ``` --- #### 三、验证部署 1. 访问`http://localhost:8000/docs`查看API文档 2. 运行测试脚本验证搜索引擎整合功能 ```python from search_engine import QueryEngine engine = QueryEngine() results = engine.query("抗谷歌级难题集") ``` --- #### 四、常见问题解决 | 问题类型 | 解决方案 | |---------|---------| | Docker权限错误 | 将用户加入docker组：`sudo usermod -aG docker $USER` | | Ollama模型加载失败 | 检查网络代理设置或更换模型镜像源 | | Python依赖冲突 | 使用虚拟环境或重建依赖树 | ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值