当下，我们获取信息的方式正经历深刻变革。传统搜索已难以满足日益复杂的知识需求，而基于大模型的智能助手逐渐兴起。在这一背景下，Agentic DeepReseARCh这一由大语言模型驱动的深度信息获取与推理系统应运而生，可能会颠覆传统搜索范式。
传统的关键词匹配式搜索引擎，如Google、Bing，虽擅长处理事实型或导航性查询，但面对跨领域、推理性强的复杂问题时，需用户手动筛选碎片化结果并自行构建结论，认知负担大。基于LLM的问答系统虽提高了交互效率，却存在知识时效性受限和“幻觉”问题。RAG虽能引入外部证据增强回答准确性，但主流的静态、一轮“检索- 生成”流程在面对复杂问题时表现不佳。
为突破局限，最新研究提出Deep Research这一全新Agent范式。Agentic DeepResearch进一步将其理念系统化、技术化，使LLM成为自主的信息研究智能体，具备推理 – 搜索 -综合三位一体的闭环能力，包括自动规划检索路径、多轮迭代获取证据、逻辑推理指导搜索决策、多源信息融合输出研究报告级答案等。从传统WebSearch到Agentic Deep Research，信息获取范式正从“静态查找”迈向“智能研究”。
在大规模实证评测中，研究人员将5个通用LLM、4个强调推理能力的LLM以及1个典型Agentic DeepResearch模型进行比较。结果显示，Agentic DeepResearch智能体在基准测试中表现优异，充分验证了“推理驱动检索”对复杂任务的增益效果。同时，GitHub公开仓库的星标趋势表明社区对该范式高度关注。论文提出的Test- Time Scaling Law（TTS Law）揭示了模型性能的可预测增长机制，为系统落地提供了预算分配准则。
Agentic DeepResearch不仅在概念上描绘了下一代信息检索的蓝图，还在学术界与开源社区形成广泛共识与实践响应。2025年围绕相关主题的论文大量涌现，开源社区中多个深研智能体系统获得数千颗GitHubstar，呈现出持续上升的星标增长曲线，形成了由产品驱动、研究反馈、社区共建的良性循环。
论文还提出多个关键前沿议题，包括Human – in – the -loop监督机制、跨模态多源信息融合等。这不仅是搜索范式的进化，更是人类在LLM时代与信息交互方式的重塑。Agentic DeepResearch正从前沿理论走向主流范式，“让AI完成研究任务”的时代即将到来。
