53. Deep Research 系统和普通 RAG 有什么不同？

难度 P1 高频 · 岗位应用 · 频率 ★★★ · 预计阅读 5 min

👔面试官：Deep Research 系统和普通 RAG 有什么不同？

🙋‍♂️我：Deep Research 更深入，多轮检索。

👔面试官：对，但要更精确：普通RAG是"先检索再回答"，Deep Research是"围绕复杂主题，拆研究任务，多轮检索、交叉验证、综合整理，输出结构化报告"。是"研究助手"不是"问答助手"。你能展开吗？

💡 简要回答

工程理解：Workflow/Graph编排 + 多轮检索 + 报告生成，不是把RAG上下文塞更长。

普通 RAG：用户提问 → 单次检索 → 拼接上下文 → 生成答案。整个过程是线性单轮的。适合「查找具体事实」类问题。

Deep Research：

复杂问题
  → 问题拆解（生成 5-10 个子研究问题）
  → 并行多源检索（网络搜索 + 知识库 + 数据库）
  → 信息融合（去重、冲突检测、可信度评估）
  → 信息不足？→ 生成新的检索查询，继续检索
  → 足够？→ 生成结构化报告（摘要 + 正文 + 引用列表）

适合「综合分析」类问题，如「分析 2024 年 AI 芯片市场格局」。

查询规划：Deep Research 需要把模糊的用户需求拆解为具体的可检索子问题。这需要 LLM 的规划能力，而不只是检索能力。

信息融合与冲突处理：多来源信息可能互相矛盾（不同报告对市场规模的预测不同）。系统需要：① 标注信息来源和时间；② 检测冲突并在报告中明确说明；③ 按来源可信度加权。

迭代控制：每轮检索后评估「是否有足够信息回答原问题」，若不足则生成新查询继续检索。需要设置轮次预算防止无限循环。

Deep Research 适合用 LangGraph 或类似的 Workflow 框架显式编排，而不是让 Agent 自由决策——因为研究过程有清晰的阶段（规划 → 检索 → 融合 → 迭代 → 报告），显式状态机更可控、可观测、可回放。

Deep Research 是研究型工作流，从"单轮问答"升级到"多轮研究流程"。