1. 背景与问题
大模型（LLMs）配合网络搜索功能已经展现出在深度研究任务中的巨大潜力。然而，目前的方法主要依赖两种途径：
- 人工设计的提示工程（Prompt Engineering）：这种方法依靠手动设计的工作流程，表现往往不稳定且难以适应复杂场景。
- 受控RAG环境中的强化学习：在受控检索增强生成（RAG）环境中进行训练，无法捕捉真实世界交互的复杂性。
这些方法存在的关键问题包括：
- 基于提示工程的方法遵循开发者设计的预定义工作流程，行为模式严格，难以适应复杂的研究场景。
- 基于RAG环境的强化学习方法假设所有必要信息都存在于固定语料库中，忽略了真实世界网络搜索的动态特性。
研究挑战：如何开发能够在真实网络环境中进行深度研究的AI系统，克服搜索引擎限制、网络延迟、反爬虫机制和多样化网页结构等实际挑战？
以下是关于DeepReseacher相关的两篇分享：
《Search-R1: 通过强化学习训练LLM推理与利⽤搜索引擎》
《R1-Searcher:通过强化学习激励llm的搜索能⼒》
而DeepResearcher号称强于R1-Searcher以及Search-R1，如图所示：
2. DeepResearcher的工作流程
- 问题分析并生成初始搜索查询
- 执行网络搜索获取结果
- 浏览Agent从网页提取相关信息
- 主Agent分析信息，决定是否需要进一步搜索
- 迭代搜索-分析过程直至找到答案
- 生成最终答案
3. DeepResearcher方法论
DeepResearcher是通过在真实网络环境中进行端到端强化学习训练的深度研究框架，其核心特点包括：
3.1 端到端强化学习框架
- 采用GRPO（Group Relative Policy Optimization）算法，通过直接与真实网络搜索引擎交互来训练代理。
- 不依赖人类先验知识，让模型自主发现解决问题的策略。
- 使用F1分数作为主要奖励指标，引导代理持续提升性能。
2.2 多智能体架构
DeepResearcher采用专门的多智能体架构，包括：
- 主研究代理：处理问题分析和搜索策略。
- 专门的浏览代理：负责从整个网页提取相关信息。
- 智能体间协作：通过信息共享实现有效的知识提取和整合。
2.3 解决真实⽹络环境挑战
2.4 数据集构建
为确保训练过程中模型真正学会利⽤⽹络搜索⼯具，研究者采取了综合数据处理策略：
- 利⽤开放域问答数据集，包括单跳问题（NaturalQuestions、TriviaQA）和多跳问题（HotpotQA、2WikiMultiHopQA）。
- 实施严格的数据清洗和污染检测，剔除时间敏感问题、⾼度主观查询和潜在有害内容。
- 通过随机抽样检测确保模型没有记忆答案，⽽是真正学习搜索策略。
最终构建了80,000个训练样例，刻意强调多跳场景（75%的样例），更好地反映复杂信息搜索⾏为。
3. DeepResearcher与其他框架对⽐
核心区别总结
4. DeepResearcher的主要优势
4.1 技术优势
- 真实环境训练：在真实⽹络环境中进⾏RL训练，能够处理复杂、动态的信息源。
- 端到端学习：不依赖⼈⼯设计的⼯作流，⽽是通过端到端训练发现⾼效策略。
- 多智能体协作：专⻔的浏览代理提取⽹⻚信息，提⾼信息获取质量。
- 分布式架构：克服API限制和⽹络延迟等技术挑战。
- 强⼤的泛化能⼒：能够适应训练领域之外的新问题。
4.2 涌现的认知⾏为
通过端到端强化学习，DeepResearcher展现了多种涌现的智能⾏为：
- 规划能⼒：能够在解决多跳问题时制定初始计划并动态调整。
- 交叉验证：不⽴即采纳⾸次搜索结果，⽽是通过后续步骤验证其准确性。
- ⾃我反思：当检索信息与预期不符时，能够反思并重定向研究⽅向。
- 诚实度：当⽆法找到确定答案时能够承认局限性。
4.3 性能优势
相⽐基于提⽰⼯程的代理，DeepResearcher在研究任务完成⽅⾯提⾼了⾼达 28.9 个百分点。 相⽐基于RAG 的强化学习代理，性能提升⾼达 7.2 个百分点。 在领域内（ID ）和领域外（ OOD ）数据集上均展现出⾊表现，证明其强⼤的泛化能⼒。 特别在需要Wikipedia 覆盖范围之外知识的 Bamboogle 基准测试中表现突出，验证了在真实世界环境训练的重要性。
5. 参考材料
【1】DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments