Deep Research 简介
Deep Research 是 OpenAI 为其 Pro 用户推出的一个强大的新工具，旨在彻底改变复杂、多步骤研究任务的执行方式。这个工具的设计理念是，用户只需提供一个提示，Deep Research 就能独立完成工作——它能够找到、分析并综合数百个在线资源，创建出一份达到研究分析师水平的综合报告。Deep Research 基于即将推出的 OpenAI o3 模型的一个版本，该模型针对网页浏览和数据分析进行了优化，它利用推理能力搜索、解释和分析互联网上的大量文本、图像和 PDF 文件，并根据遇到的信息灵活调整。
Deep Research 与推理模型的区别
Deep Research 模型专门处理信息综合和多步骤研究任务，而推理模型则擅长逻辑问题解决和复杂推理任务。尽管推理模型在处理复杂问题时表现出色，但它们可能会过于冗长，变得“cheong hei”（粤语中意为“长篇大论”）。
构建概念验证（POC）
在启动这个项目时，开发者设定了几个目标：尽可能使用现成的库/框架、创建一个简单的前端界面，并且不花费200美元。基于这些目标，开发者选择了以下技术方案：
- Streamlit：用作前端，让用户输入研究主题，查看生成的响应，并以 Markdown 格式下载报告。它还支持本地测试，设置简单。
- LangGraph：这是一个新工具，它能够使用自然语言管理有向无环图（DAGs）的工作流程，非常适合这个用例。
- Tavily：一个专门的搜索引擎，能够在一次调用中处理搜索、抓取、过滤和提取。它提供了1000个积分的慷慨免费层，非常适合原型开发（大约30多个查询）。
POC 工作流程
POC 的工作流程被设计得非常简单。研究过程分为三个主要阶段：
- 用户输入阶段：用户输入研究主题，启动研究过程。
- 规划和研究阶段：系统根据五个关键部分生成结构化的研究大纲：引言、当前状态、分析、结论、参考文献。
- 写作和输出阶段：最后阶段涉及将综合内容编译成一份连贯的报告，结果是一个经过润色和全面性的文档。还提供了以 Markdown 格式下载报告的选项。
扩展功能
这种实现的一个优势是其灵活性，可以扩展并集成额外的功能。以下是三个假设场景，以说明其潜力：
方法 1：与向量数据库集成以改善 RAG
工具与向量数据库集成，通过提供上下文相关的信息来改善大型语言模型（LLM）的响应。用户输入查询或主题，处理提示并检索相关信息，存储研究数据的嵌入，并查询知识库（KB）以找到上下文相似的信息。检索到的上下文数据被输入到 LLM 中，作为补充信息以生成响应。
方法 2：为 RAG 构建专有知识库
批量作业并行处理多个主题。生成的输出被嵌入并存储在知识库中，稍后用于为 LLM 提供上下文信息。用户输入一系列主题进行批量深度研究处理，工具根据主题生成全面的研究输出，研究输出被存储和索引在知识库中，以便将来检索。当用户启动研究时，从知识库中检索相关数据，并作为上下文提供给 LLM。
方法 3：与摘要功能集成
使用摘要步骤来压缩内容并强调研究输出中的关键点。用户输入查询或主题，进行彻底的研究并编制详细报告，然后将详细报告提炼成简洁的摘要。摘要用作上下文，以便 LLM 生成响应。
Deep Research 在公共服务和政府中的用例
政策发展和分析
政府机构可以利用这个工具，通过从多个来源编制数据，对政策选项进行全面分析。
监管合规
协助监控和解释监管变化，可能减少手动和繁琐的合规流程。还有助于确保遵守不断演变的法律和标准。
危机管理和灾难响应
从各种在线渠道快速收集和综合信息，并提供可操作的洞察，以支持及时响应。特别是对于我们的家庭团队在紧急情况下。
公共沟通和参与
生成适合公开传播的报告。通过一致的沟通帮助建立政府机构和公民之间的信任。
工作和技能经济
策划全球就业市场趋势和经济趋势的洞察。帮助政府机构设计有效的就业援助计划。
公众情绪
通过评估来自多个来源的公民反馈，识别反复出现的问题或改进领域。这可能导致公共服务效率和公民满意度的提高。
Deep Research 是一个强大的工具，它展示了人工智能在深度研究和信息综合方面的潜力。通过利用最新的技术，如 GPT-4o 和 Tavily，这个工具能够为政府和公共服务领域带来革命性的变化。随着技术的不断发展和集成，我们可以预见 Deep Research 将在政策制定、监管合规、危机管理、公共沟通和工作技能经济等多个领域发挥重要作用。