深度探討 Deep Research 在資源分配與交付模式上的取捨

2026 年 11 月 11 日，掘金平臺刊登了一篇技術復盤文章《深度解析 Deep Research 的資源分配、並行取證與漸進交付取捨》。該文結合 OpenAI、Anthropic、Google 以及開源社群的實踐，探討了 Deep Research 在資源分配、並行取證和交付模式上的取捨，並以 ETF Agent 工程倉為例進行說明。

文章首先區分了兩類投研任務：普通的投研問答可能只需核對一隻基金的費率；另一類問題卻要求穿透組合、讀取跨期報告、處理修訂版本、讓不同研究分支協作，最後給出一份連貫的結論。文章指出，這兩類任務都叫 Research，但對資源和交付節奏的要求不同。

在具體做法上，文章介紹，團隊在 ETF Agent 中沒有為後一類任務重新搭建一套 Agent，而是讓同一個 Native Research Loop 獲得經過授權的更高資源檔位，再根據當前實際生效的研究模式調整交付指導：研究過程中持續反饋進度，已有獨立依據的部分允許先交付，關鍵結論則更傾向於在完成證據比較後組織成文。文章還指出，普通 Research 原來就支援搜尋、閱讀、計算、呼叫 Child，並通過 send_answer_part 在任務尚未結束時交付有用部分；但如果所有研究都採用統一的資源上限，複雜任務可能在必要取證完成前進入收尾。

文章說明，其所述的 Deep 實現依據 ETF Agent 工程倉，並不把它冒稱為當前公開版 Open ETF Agent 已經具備的功能。文章提出要回答三個問題：原有 Research 為什麼不夠；Deep 在程式碼與執行時究竟改變了什麼；真實的 Standard/Deep 配對執行交出了什麼結果。文章提到，上述分析會藉助 ETF Agent 的實現與六組配對實驗來檢驗這些選擇。目前材料中尚未給出配對實驗的具體結果。