从RAG到Agent，是AI知识探索的内卷与进化

来源（公众号）：大数据AI智能圈

 

“哥，又来活了。” 

刚入职场的AI“实习生”小R，一脸兴奋地看着我，手里捧着一堆刚从网上扒下来的资料。

这是老板刚丢过来的需求：“小R，帮我查查最近三年，Transformer模型在降本增效上，都有哪些新花样？” 

小R，全名RAG（Retrieval-Augmented Generation），是我们团队的“超级实习生”。 

他有个绝活，就是能把问题和他那“博闻强记”的外部知识库结合起来，生成看起来头头是道的答案。自从他来了之后，那些“我们公司最新的报销政策是啥？”或者“A产品的技术文档在哪？”之类的基础问题，再也不用我们这些“老油条”亲自出马了。 

但这次，小R似乎遇到了点麻烦...

 

RAG：AI界的“超级实习生”，听话能干但有点“傻”

小R的工作模式，说白了就三步：检索、增强、生成。

接到任务后，他会先把老板的问题（Query）“翻译”成计算机能懂的语言（向量），然后去他的“记忆宫殿”（向量数据库）里，把所有相关的资料（Documents）都找出来。

最后，他会把问题和这些资料一股脑儿地塞给大脑（LLM），让大脑生成最终的答案。

这套流程，在处理简单问题时，简直是“降维打击”。比如你问他“苹果最新的操作系统是啥？”，他能精准地告诉你iOS的最新版本，而不是给你推荐一斤红富士。

但面对老板那个“Transformer降本增效”的复杂问题，小R的“傻”就暴露无遗了。他吭哧吭哧地从知识库里拖出了一大堆文档，从2017年的“Attention Is All You Need”到最新的各种变体，一股脑地堆在我面前。

“哥，都在这了，您看？”

我看着那长长的文档列表，头都大了。这不叫“总结”，这叫“资料搬运”。

小R就像一个只会用Ctrl+C和Ctrl+V的实习生，虽然听话能干，但你让他做点需要动脑子的分析，他就“死机”了。

他不知道哪些是重点，哪些是噪音，更不知道如何从这些杂乱无章的信息中，提炼出老板真正想要的“新花样”。

这就是RAG的困境：一次性、静态的检索，让它在面对复杂、多层次的问题时，显得力不从心。 他能给你鱼，但不会教你钓鱼，更不会帮你把鱼做成一桌好菜。

DeepSearch：给实习生“加餐”，从“搬砖”到“分析”

“小R，你这样不行啊。”我语重心长地对他说，“老板要的是‘新花样’，你得有自己的分析和判断。”

为了让小R“开窍”，我们给他请了个“私教”，名叫DeepSearch。

DeepSearch的到来，给小R的工作流程带来了革命性的变化。他不再是那个只会“一把梭”的愣头青，而是学会了“三思而后行”。

面对同样的问题，DeepSearch会先引导小R把问题拆解成几个小目标：

第一步： 先搞清楚“Transformer效率优化”有哪些主流方向？

第二步： 找到“2024年”的最新研究成果。

第三步： 聚焦到“计算成本降低”这个具体的技术点上。

这种分阶段检索的机制，直接给小R装上了一个“导航系统”，让他不再会迷失在信息的海洋里。

更绝的是，DeepSearch还教会了小R一个新技能：边生成边检索。在写报告的过程中，如果发现某个知识点有缺失，比如“稀疏化技术”的最新进展没覆盖到，他会立刻停下来，启动一轮新的、针对性的检索，把信息补全。

这还没完。

在DeepSearch的“调教”下，小R还学会了和团队里的其他“人”协同作战。比如，他会先让“问题规划Agent”把任务拆解好，然后让“搜索Agent”去执行检索，再让“阅读Agent”提取关键信息，最后自己（推理Agent）再把这些信息整合起来，生成最终的结论。

这套组合拳下来，小R的产出质量，直接上了一个台阶。他交上来的报告，不再是简单的资料罗列，而是有了初步的结构和分析。老板看了之后，满意地点了点头：“嗯，有点意思了。”

根据阿里云的测试，在处理3跳以上的多层次问题时，DeepSearch的检索召回率比传统RAG高出40%以上。

这背后，是对“检索质量”和“生成负担”之间平衡的精准拿捏。通过动态筛选最相关的信息，DeepSearch让大模型能把宝贵的计算资源，集中在知识整合上，而不是信息筛选上。

DeepResearch：当“实习生”学会了“独立思考”

秘塔AI的【深度研究】模式，相当于DeepResearch，如下图所示：

就在我们以为小R已经“学成出师”的时候，一个新的挑战又来了。老板说：“光有分析还不够，我需要一份关于这个主题的深度研究报告，要有洞察，有观点，能直接拿去给客户看的。”

这次，连DeepSearch都觉得有点棘手了。他能帮小R找到答案，但无法凭空创造出“洞察”和“观点”。

于是，我们迎来了终极进化体：DeepResearch。

如果说DeepSearch是小R的“研究助理”，那DeepResearch就是能独立带项目的“初级研究员”。他的出现，让小R的工作，从“信息检索”直接跃迁到了“知识创造”。

DeepResearch的工作流程，完全模拟了一个人类研究员：

1. 理解研究目标： 他会先和老板反复确认，到底想要什么样的报告。

2. 规划研究步骤： 然后，他会自己制定一个详细的研究计划，精确到每天要看哪些论文，分析哪些数据。

3. 搜集多元信息： 他不再局限于公司内部的知识库，而是会主动去网上搜寻最新的论文、技术博客、甚至是行业报告。

4. 交叉验证： 他会像一个严谨的学者一样，对比不同来源的信息，如果发现冲突，会标记出来，并优先采信更权威的来源。

5. 综合分析与报告生成： 最后，他会把所有的研究成果，整合成一份结构完整、逻辑清晰、包含摘要、方法、结果、讨论的深度报告，甚至能直接导出到Notion或Obsidian里。

前段时间，有个同事让他研究“近五年机器学习在金融风控中的应用进展”。DeepResearch只花了半个小时，就交出了一份堪比专业分析师水准的综述报告。而这项工作，如果让人来做，没几天时间根本下不来。

DeepResearch的强大，源于其Agentic AI的内核。

他不再是一个被动的工具，而是一个拥有自主规划、执行、反思、调整能力的“智能体”。他能在开放、真实的网络环境中，像人类一样自主地进行研究，处理各种噪声数据，应对信息缺失的挑战。

结语

从RAG到DeepSearch，再到DeepResearch，我们看到了一条清晰的技术进化路径：从最开始听话能干但有点“傻”的实习生，到能做分析、有条理的“研究助理”，再到能独立思考、创造知识的“初级研究员”。

这背后，是AI知识探索领域的一场“内卷”与“进化”。

RAG解决了“有没有”的问题，让AI有了可靠的知识来源。

DeepSearch解决了“好不好”的问题，让AI在复杂问题面前，能更聪明地找到答案。

DeepResearch则解决了“精不精”的问题，让AI开始拥有了创造新知识的潜力。

未来，这三者之间的界限会越来越模糊。RAG会吸收DeepSearch的动态检索能力，DeepResearch的核心组件也会被模块化，融入到更广泛的AI应用中。

但无论技术如何演进，其最终的目标，都不是为了取代我们，而是成为我们的“认知放大器”——将我们从重复、繁琐的知识搬运工作中解放出来，让我们能专注于那些真正需要创造力、洞察力和同理心的工作。