深度探讨 Deep Research 在资源分配与交付模式上的取舍

2026 年 11 月 11 日，掘金平台刊登了一篇技术复盘文章《深度解析 Deep Research 的资源分配、并行取证与渐进交付取舍》。该文结合 OpenAI、Anthropic、Google 以及开源社区的实践，探讨了 Deep Research 在资源分配、并行取证和交付模式上的取舍，并以 ETF Agent 工程仓为例进行说明。

文章首先区分了两类投研任务：普通的投研问答可能只需核对一只基金的费率；另一类问题却要求穿透组合、读取跨期报告、处理修订版本、让不同研究分支协作，最后给出一份连贯的结论。文章指出，这两类任务都叫 Research，但对资源和交付节奏的要求不同。

在具体做法上，文章介绍，团队在 ETF Agent 中没有为后一类任务重新搭建一套 Agent，而是让同一个 Native Research Loop 获得经过授权的更高资源档位，再根据当前实际生效的研究模式调整交付指导：研究过程中持续反馈进度，已有独立依据的部分允许先交付，关键结论则更倾向于在完成证据比较后组织成文。文章还指出，普通 Research 原来就支持搜索、阅读、计算、调用 Child，并通过 send_answer_part 在任务尚未结束时交付有用部分；但如果所有研究都采用统一的资源上限，复杂任务可能在必要取证完成前进入收尾。

文章说明，其所述的 Deep 实现依据 ETF Agent 工程仓，并不把它冒称为当前公开版 Open ETF Agent 已经具备的功能。文章提出要回答三个问题：原有 Research 为什么不够；Deep 在代码与运行时究竟改变了什么；真实的 Standard/Deep 配对运行交出了什么结果。文章提到，上述分析会借助 ETF Agent 的实现与六组配对实验来检验这些选择。目前材料中尚未给出配对实验的具体结果。