大模型通识 / 大模型技术演进
15. 2023—2025：从搜索答案到完成研究，检索与推理逐步结合
原文备份 · 第 16 / 26 篇 · 查看极客时间原知识库 ↗
本篇目录 · 7 节
来源：大模型技术演进
2025 年 2 月 2 日，OpenAI 发布 ChatGPT 的 deep research。与人们已经习惯的即时对话不同，这个功能允许用户交出一项研究任务，让系统花一段时间上网查找、分析资料，最后交回带有引用的报告。发布时，官方给出的典型等待范围是 5—30 分钟，最初面向 Pro 用户开放。发布公告
等待，在这里获得了不同的含义。过去，聊天机器人停顿太久，用户可能认为它卡住了；现在，产品希望用户理解：任务还在进行，系统正在收集材料和补充调查。交互的单位，也从一个问题、一段回答，变成了一项有过程、有交付物的工作。
对准备做课题、了解陌生行业或比较技术方案的人来说，这是一种很直接的吸引力。那些原本需要自己开十几个网页、做笔记、交叉比较的前期工作，开始可以先交给 AI 完成一轮。
不过，这个转变并不是在 2025 年 2 月突然发生的。Google 已在 2024 年 12 月推出 Gemini Deep Research，Perplexity 则更早围绕搜索答案和多步检索探索。本篇回到这条并行发展的路线，看 AI 怎样从“帮我找一个答案”，走向“围绕一个问题持续调查”。
搜索结果开始直接变成答案
2023 年，对话模型让公众看到自然语言交互的潜力，也暴露了一个很实际的问题：模型说得流畅，却不一定知道最新发生的事，也不一定能说明事实来自哪里。
传统搜索引擎解决了“到哪里找”的问题。用户输入关键词，打开若干结果，自己提取信息、辨别冲突，再组织答案。语言模型则擅长另一端的工作：读懂问题，把材料重新组织成容易理解的文字。
把两者接起来，就出现了一种鲜明的产品体验：先给出整理好的回答，同时列出来源，并允许用户围绕回答继续追问。
Perplexity 是这条路线的重要代表。它在回顾 2023 年发展时，报告全年处理了超过 5 亿次查询，并强调带来源的回答和已经推出的 Copilot 功能；后者会通过追问来细化用户的搜索需求。这些规模数字来自公司自己的披露，但足以说明它已不只是一个实验演示。Perplexity 对 2023 年的回顾
这里的 Copilot 是 Perplexity 当时的功能名称，和微软的 Copilot 产品线不是同一个产品。对于初学者，辨认产品所属公司比单独记住一个流行名称更有用。
这个变化没有让网页消失，而是改变了网页与用户的距离。以前，人先读网页，再形成答案；现在，产品先替用户完成一轮阅读和综合，人再沿着引用回到原文核查。
它也没有把互联网上的新知识即时写进模型参数。通常是搜索系统找回当前资料，将资料放进模型本次处理的上下文，再由模型生成回答。因此，“可以联网”与“模型自身已经学过最新知识”是两回事。
第 05 篇介绍的 RAG，在这里有相通的作用：先取得外部材料，再根据材料回答。只不过，知识库问答常面对一组相对明确的文件，而开放网络充满了重复报道、过时页面、无法访问的正文，以及彼此矛盾的说法。找到一段相关文字，只是起点。
2024 年，搜索与聊天的边界进一步模糊
2024 年 5 月 14 日，Google 开始向美国用户推出 AI Overviews，把生成式摘要放进搜索体验。它此前已有 Search Labs 等探索，这次的重要变化是进入更广泛的正式搜索场景。Google 当时的公告
同年 10 月 31 日，OpenAI 发布 ChatGPT Search，把网页搜索、时效性信息和来源链接更直接地整合进 ChatGPT；首批开放对象包括 Plus、Team 用户和 SearchGPT 候补名单用户，并非当天就覆盖所有人。ChatGPT Search 发布公告
这两件事代表了相向而行的产品变化：搜索产品加入生成式回答，聊天产品加入搜索能力。用户不再总要先判断“这个问题该去搜索引擎，还是去聊天机器人”。
但复杂问题仍然无法靠一次检索解决。例如，“哪种文档识别方案适合我的个人项目”，包含文件类型、中文识别效果、运行环境、费用和维护难度。搜索到一篇产品介绍，并不等于完成了比较。
Perplexity 在 2024 年 7 月 2 日升级 Pro Search 时，已经明确介绍多步推理：系统可以规划不同目标，根据前一轮检索结果继续搜索，并结合代码执行处理分析任务。Pro Search 升级公告
这说明，“搜索一次再总结”和“持续检索并调整方向”之间的过渡，早于 2025 年 Deep Research 名称的集中传播。不能把历史写成：2024 年的 AI 只能查一下网页，到了 2025 年才突然学会多步工作。
Deep Research 改变的是任务组织方式
假设你要了解某项技术能否用于项目，普通的联网回答可能先搜索相关介绍，再整理一段说明。研究型系统则需要多处理一层问题：为了回答用户的问题，哪些事情还没有查清楚？
它可能先查技术原理，发现某项能力只在测试版提供，于是转向版本公告；读完公告，又发现运行条件不适合用户的电脑，于是继续调查替代方案。新资料既是回答的素材，也会改变下一步行动。
这个过程可以简化为：
明确研究问题 → 拆分需要核实的事项 → 搜索并阅读材料
↑ ↓
补查证据缺口 ← 比较结果与冲突
↓
整理结论、依据与未确定事项
这里最重要的进步，不是最后一份报告有多少字，而是系统能在中途识别缺口，围绕缺口继续工作。长上下文有助于容纳材料，推理能力有助于拆题和比较，工具调用则让下一次搜索真正发生。应用把这些能力组织成循环，才构成用户看到的研究过程。
这也解释了为什么不能简单说“Deep Research 取代了 RAG”。RAG 可以成为研究过程中的一个环节，也可以采用多轮检索；研究 Agent 则进一步决定要查什么、何时补查、怎样综合。二者讨论的层面有重叠，并不是只能二选一。
在研究领域，这类路线同样有更早的探索。2024 年的 STORM 论文就研究了怎样先从不同角度提出问题、搜索材料，再组织长篇文章。它不是后来各家产品的统一底层，但说明“先调查，再写作”早已是独立的研究问题。STORM 论文
从 Gemini 到 ChatGPT，再到更多研究产品
2024 年 12 月 11 日，Google 发布 Gemini Deep Research。它会先给出可修改的研究计划，再迭代搜索，根据新信息提出后续查询，最后生成带来源的报告。首版面向 Gemini Advanced 用户，以英语在桌面和移动网页端推出；当时使用的是 Gemini 1.5 Pro。Google 发布公告
这个型号值得单独辨清：同一时期 Google 也在介绍 Gemini 2.0，不能因为公告相近，就把首版 Deep Research 写成由 Gemini 2.0 驱动。模型发布与产品功能发布，往往是两条相关但不同的时间线。
2025 年 2 月发布的 OpenAI deep research，则使用针对浏览和数据分析优化的 o3 版本。它把推理与工具使用结合起来，展示了推理模型在长任务中的另一种用途：不仅在给定题目上多想一会儿，还能决定怎样获取解题所需的信息。OpenAI 对模型与训练的说明
2 月 14 日，Perplexity 也发布 Deep Research，强调反复搜索、阅读和调整研究计划，再汇总为报告；发布说明提供了面向非订阅用户的有限免费访问。Perplexity 发布说明
这些产品名称相近，底层模型、工具、资料访问范围和交互方式却不相同。“Deep Research”逐渐成为一类产品能力的名称，并不指某一个所有厂商共同调用的模型。
随后，研究范围开始越过公开网页。2025 年 4 月 15 日，Anthropic 推出 Claude Research，同时介绍 Google Workspace 集成，让研究可以结合网络资料与用户授权的工作信息。Research 最初是美国、日本和巴西部分付费方案用户的早期测试功能。Claude Research 公告
这使“研究”更接近真实工作：比较外部技术资料时，还要考虑自己的项目文档；准备一个方案时，还要理解已经讨论过的约束。网上最完整的答案，也可能不适合用户的实际情况。
模型之外，一套研究系统开始成形
到 2025 年，开发者也开始获得更多可自行改造的研究系统。
7 月 16 日，LangChain 团队介绍 Open Deep Research，使用 LangGraph 组织研究过程，允许替换模型、搜索工具及接入的工具服务。其设计先明确范围，再调查，最后统一写报告；能够拆开的子问题可以分配给不同的研究 Agent。Open Deep Research 介绍
这类框架的价值，在于把“接着做什么”从一段含糊的提示词，变成可观察、可调整的程序流程。某次查询失败、某个主题证据不足、材料过长需要整理，都成为应用开发者必须处理的事情。
中国团队也在这条路线中推进模型与开放实现。阿里通义团队在 2025 年 9 月 17 日发布 Tongyi-DeepResearch-30B-A3B，面向需要多轮寻找信息的任务，并提供相关代码。其仓库把模型、搜索、网页阅读、文件解析及代码运行环境分别列为系统组件。通义 DeepResearch 官方仓库
这给初学者一个很实用的认识：下载一个擅长研究的模型，不等于已经得到完整的联网研究产品。模型负责判断和生成，搜索服务负责发现资料，阅读工具负责取得正文，应用还要保存过程并处理失败。哪一个环节薄弱，都可能影响最终报告。
研究能力也有自己的成本问题。一次简单回答可能只需调用一次模型；持续研究却可能反复搜索、读取长文、整理中间结果，再生成最终文本。费用和等待时间取决于整项任务，而不只是最后输出多少字。
2025 年 4 月，OpenAI 又为 deep research 引入由 o4-mini 支持的轻量版本，并把有限使用范围扩展到免费用户。这是成本影响产品覆盖面的一个具体例子。公告中的 4 月 24 日更新
对于应用开发，合理的选择因此不是让每个问题都进入最长的研究流程。查一个已经明确的事实，快速搜索可能足够；需要比较多个对象、核对相互冲突的材料时，额外调查才更有价值。停止条件也应围绕问题是否得到回答，而非机械追求读够多少网页。
把研究放回一个个人项目
沿用前几篇的复习助手。假设你准备增加“上传中文扫描笔记，生成复习材料”的功能，希望 AI 帮你调查文档识别方案。下面是教学构造的例子，不是对任何具体产品的实测。
如果只问“推荐最好的 PDF 识别工具”，系统很容易整理出一张看似全面的产品表，却无法判断什么对你最重要。
更有用的研究任务应该交代：输入以中文扫描件为主，可能包含手写批注；这是个人项目，先在自己的电脑上尝试；需要区分能直接提取文字的 PDF 和只有页面图像的 PDF；希望了解哪些条件已有文档证据，哪些必须拿样本测试。
这里的 OCR，是把图像中的文字识别成可编辑文本。一个工具声称“支持 PDF”，可能只是读取其中现成的文本，并不表示它能够识别扫描页面。这种区别，就值得研究系统继续查证。
一份有用的报告，应该把不同强度的证据分开：
| 报告可能写出的结论 | 需要检查的依据 | 仍然不能直接推出什么 |
|---|---|---|
| 支持处理扫描 PDF | 官方文档明确说明图像文字识别流程 | 不能据此保证你的手写批注也准确 |
| 可以在本地运行 | 安装说明、模型和硬件要求 | 不能据此保证普通笔记本运行流畅 |
| 在某项公开评测中效果较好 | 原始评测、样本范围与评价方式 | 不能据此断言它最适合你的笔记 |
研究做到这里，下一步也更明确了：挑选少量候选方案，用同一组真实笔记测试文字遗漏、顺序错误和处理时间。
如果报告只查阅了资料，它就应该交付“值得测试的候选方案及理由”。只有实际运行了这些样本，才有资格报告“在这组笔记上的测试结果”。把这两种结论分开，能避免让资料整理伪装成已经完成的工程验证。同样，产品名称里的“研究”，也不表示每份报告都包含新的科学发现；搜集和综合已有知识，本身就是它的一项主要用途。
引用让答案可检查，但不会自动让答案正确
搜索型 AI 改善了一个重要问题：用户终于有机会沿着答案回到来源。但出现引用，只说明有一条可追溯的线索。
一个真实存在的网页，可能没有支持它旁边的那句话。原文可能只介绍测试版，报告却写成全面可用；来源可能只讨论英文材料，报告却推断中文效果同样好。问题不在链接是否能打开，而在证据与结论是否匹配。
早在 2023 年，ALCE 研究就把回答正确性与引用质量分别纳入评估。这种区分提醒我们：写对一句话、引用一个来源、让来源充分支持这句话，是相关但不同的要求。ALCE 论文
资料数量也容易造成错觉。十篇转载同一份公告的文章，并不等于十份独立证据。搜索范围扩大，有时只会让同一个说法出现更多遍。研究系统需要辨认原始来源、日期和适用条件，而不是把重复次数当作可信程度。
还有些信息根本不在它能访问的范围内：需要登录的正文、尚未公开的数据、缺失的版本说明。此时，“没有找到证据”应当保留为未确定事项，不能自动改写成“这件事不存在”。
因此，阅读 AI 研究报告时，可以先抓住最影响决定的两三条结论，点开原文，检查它是否真的支持这些结论。若要为复习助手选工具，就先核实扫描件支持、运行要求和测试条件；这些问题比报告的排版是否专业更影响项目成败。
从 2023 年的带来源回答，到 2025 年的研究 Agent，AI 已经能够承担越来越多的信息收集和初步综合工作。人的工作随之变化：除了寻找资料，还要交代研究范围、检查关键证据，并判断哪些结论仍需实际验证。
这条发展线与上一篇的 Coding Agent 相互呼应。代码任务通过执行结果获得反馈，研究任务通过新资料和证据缺口调整方向。模型开始参与一段连续过程，应用则负责让过程有依据、能继续、可交付。
下一篇，我们将把视线从资料与报告移向软件本身：当 AI 能看见界面、点击按钮、操作浏览器和桌面，它又能接过哪些任务？
上一篇：14｜2025：从修改代码到执行和验证，Coding Agent 发展起来
下一篇：16｜2024—2025：从提出建议到操作软件，任务型 Agent 扩展应用边界
返回：第 0 部分大纲