DeepResearch深度搜索实现方法调研
Deep Research 有三个核心能力
- 能力一：自主规划解决问题的搜索路径（生成子问题，queries，检索）
- 能力二：在探索路径时动态调整搜索方向（刘亦菲最好的一部电影是什么？如何定义好？已有信息是否足够？）
- 能力三：对多源的信息进行验证，整合（一个文档说 37 岁，另一个文档说 27 岁，怎么分辨？）
非强化学习方法：
《Search-o1: Agentic Search-Enhanced Large Reasoning Models》（能力二）
作者：人大+清华
https://github.com/sunnynexus/Search-o1 (Star 800）
- 当遇到知识不确定的情况时，模型会自动生成搜索查询，格式为
<|begin_search_query|>搜索词<|end_search_query|> - 系统检测到这一标记后，暂停模型推理，执行网络搜索
- 搜索结果被包装在
<|begin_search_result|>检索到的内容<|end_search_result|>标记中返回给模型 - 如果检索到的结果特别长，就用大语言模型对其进行精炼，再放进推理链条中。
优势：
检索触发机制：传统 RAG 是静态的、预先定义的；Search-o1 是动态的、由模型主动触发的，可以在一定程度上实现能力二。
Deep-Searcher
https://github.com/zilliztech/deep-searcher
基本流程：
- 将原始问题进行拆解，分成多个子问题。
- 子问题分别进行检索，得到对应的答案。
- 子问题和答案进行整合，由模型生成下一轮子问题。
- 达到指定检索轮数后，汇总最终的答案。
OpenDeepResearcher
https://github.com/mshumer/OpenDeepResearcher
- 用户输入一个研究主题后，LLM会生成最多四个不同的搜索关键词。
- 每个搜索关键词都通过调用SERPAPI接口进行搜索。
- 将所有获取到的链接进行聚合和去重处理。
- 对每个唯一链接调用JINA网页内容解析接口，利用LLM评估网页的有用性，如果页面被判定为有效，则提取相关文本内容。
- 汇总所有信息，判断是否需要进一步生成新的搜索关键词。如果需要，则生成新的查询；否则，循环终止。
- 将所有收集到的上下文信息整合后，由LLM生成一份全面、详尽的报告。
deep-research
https://github.com/dzhng/deep-research
- 获取用户的查询和研究参数（广度与深度）并生成SERP查询。
- 处理搜索结果，提取关键内容用于生成后续研究方向。
- 如果深度 > 0，则根据新的研究方向继续探索。
- 将所有上下文汇总成一份全面的Markdown报告。
强化学习方法：
《DeepRetrieval: Hacking Real Search Engines and Retrievers with Large Language Models via Reinforcement Learning》(能力一)
作者：伊利诺伊大学香槟分校+高丽大学
https://github.com/pat-jj/DeepRetrieval (Star 360)
query改写已被证实是检索流程中的关键步骤。当用户提交问题时，大型语言模型(LLM)通常会对其进行重新表述(称为增强查询)，然后再执行检索。DeepRetrieval采用创新方法，利用强化学习(RL)而非传统的监督式微调(SFT)来优化这一关键步骤。
DeepRetrieval的突出之处在于它能够通过"试错"方式直接学习，使用检索指标作为奖励，无需昂贵的监督数据。这种方法使模型能够针对实际性能指标进行优化，而不仅仅是模仿人工编写的查询。
训练策略使用 PPO。
数据集：PubMed、ClinicalTrials.gov…公开数据集
《Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning》（能力一、二、三）
伊利诺伊大学香槟分校
https://github.com/PeterGriffinJin/Search-R1
- 将搜索引擎建模为环境的一部分 模型可以在生成中插入
<search>query</search>指令，系统则响应<information>results</information>，最终答案用<answer>标签输出，推理过程包裹在<think>中。 - 支持多轮思考-检索循环 模型可以识别信息缺口并主动发起下一轮搜索，而不是一次性拼接上下文。
- 基于强化学习策略学习 训练采用 PPO （Proximal Policy Optimization）或 GRPO （Group Relative Policy Optimization）算法，奖励信号基于最终结果（如 Exact Match）而非过程监督。
- 避免优化干扰的技术细节 引入 Retrieved Token Loss Masking，对搜索返回内容不反向传播，从而保持训练稳定。
从下图来看，它用 7B 模型就能超越 Search-o1 和 680B 参数的 R1？这种“小模型大能力”的背后，正是 RL 训练出的搜索策略弥补了知识覆盖和参数规模的不足。
- 数据集：在七个问答数据集上进行评估，包括一般问答（NQ、TriviaQA、PopQA）和多跳问答（HotpotQA、2WikiMultiHopQA、Musique、Bamboogle）。
- 基线比较：与多种方法进行比较，包括无检索的推理、检索增强生成（RAG）、工具调用方法（如IRCoT和Search-o1）、监督微调（SFT）和基于RL的微调（R1）。
- 模型和检索设置：使用Qwen-2.5-3B和Qwen-2.5-7B模型，以2018年维基百科转储作为知识源，E5作为检索器，每次检索返回3个段落。
奖励函数：
总结
- 非强化学习方法从技术上来看技术路线都是一样的，即使用推理模型分析，结合联网搜索以及ReAct机制，根据用户输入扩展问题，再对每个问题进行多次联网查找，推理、再查找的过程，最终输出一个综合性的答案。这套方法也比较容易复现。
- 使用强化学习对整体进行进行端到端训练固然可以提升效果，用小模型代替大模型。但缺点也很明显，依赖于高质量的数据，会限制其应用范围，比如无法支持多种模型。
- 使用强化学习对个别流程进行针对性训练的是比较有可行性的，比如针对query生成专门训练。
- 当前的方法主要讨论的都是能力一、二，对能力三较少有针对性优化。
