超越RAG！首篇Deep Research综述来了：大模型正向“全栈科学家”进化

背景：随着大模型应用向复杂研究型问题拓展，传统检索增强生成（RAG）范式难以支撑多步推理与长期研究流程，催生了Deep Research（DR）这一新方向。然而，相关概念和工作呈现碎片化趋势。研究目的：为了系统梳理该领域，来自多所大学和机构的研究者撰写了综述《Deep Research: A Systematic Survey》，旨在提出DR的能力发展路径，并从系统视角梳理其关键组件、训练方法及面临的挑战。结论：该综述将DR定义为一条从“Agentic Search”到“Full-stack AI Scientist”的三阶段演进路径，并系统阐述了查询规划、信息获取、记忆管理和答案生成四大核心组件，以及提示工程、监督微调、智能体强化学习等训练方法。同时指出DR的核心挑战在于长期开放环境中实现稳定可控的系统级行为，涉及内外知识协同、训练稳定性、评估构建和记忆模块等难题。DR代表了智能体从单轮答案生成向深度研究的范式转变，目前仍处于早期阶段。