先这样答
Deep Research 的实现本质上是一个针对开放研究问题的自动化探索流程。它的目标是自主完成多轮的检索、阅读和综合，最终产出一份带有明确引用的结构化报告。整个系统的运转依赖于一条包含五个步骤的核心链路。
链路的第一步是问题分解，系统会将宽泛的初始问题拆解为具体的子问题树。随后进入迭代检索阶段，这是区别于常规搜索的关键，系统会在每一轮检索后评估新发现，并基于这些已知信息动态调整下一轮的查询方向。获取文本后，进入阅读筛选环节，通过相关性判断剔除无关内容并进行去重。接着是证据综合，系统需要对来自不同信息源的内容进行交叉验证，如果发现矛盾信息则进行明确标注。最后一步是报告生成，将综合后的信息结构化输出，并为每一个关键结论提供引用回链。
关于它和普通 RAG 以及 Agent 的差异，主要体现在交互深度和核心目标上。普通 RAG 往往是单轮的检索增强回答，查询词固定；而 Deep Research 是一种多轮探索式研究，查询的内容会随着研究的深入而演化。与普通 Agent 相比，常规 Agent 的设计偏向于调用工具执行特定动作，而 Deep Research 的目标高度聚焦于信息的收集与综合。
在实际的工程落地中，关键点在于搜索预算控制。开发者必须严格管理探索的轮数、深度和调用成本。同时，需要设计合理的终止条件，通常以边际信息量递减作为判断依据，并且要建立一套引用可信度分级机制，保证最终报告的质量。总体而言，这套架构将收集和整理资料的过程进行了程序化表达，核心在于迭代中的方向纠偏。
面试官会怎么追问
-
「多轮检索的终止条件具体怎么判断？」 主要依赖边际信息量递减的原则。在每一轮检索后，系统会评估新获取的信息是否对当前子问题树有实质性补充。如果连续几轮没有产生新的有效证据，或者达到了预设的搜索预算上限，比如轮数和成本限制，就会触发终止机制。
-
「如何保证生成的报告里引用的准确性，避免模型产生幻觉？」 这需要在阅读筛选和证据综合阶段进行干预。系统会对检索到的信息进行严格的相关性判断，并在综合时进行交叉验证。在报告生成环节，强制要求所有结论必须附带引用回链，并根据信息源建立引用可信度分级机制，确保信息可追溯。
-
「如果检索到的信息之间存在矛盾，系统怎么处理？」 系统不会直接丢弃或盲目选择某一方，而是在证据综合环节对矛盾进行显式标注。在生成最终报告时，会将不同信息源的观点客观呈现，并结合引用可信度分级给出参考意见，让阅读者了解争议的存在。
回答的坑
把 Deep Research 简单描述为接了搜索工具的普通 RAG。正确方向是强调其多轮探索式研究的特性，明确查询是随着发现不断演化的，而非单轮获取。
在工程实现上只谈大模型的理解能力，忽略流程控制。正确方向是指出搜索预算控制、边际信息量递减等终止条件，以及引用可信度分级等具体的工程设计。
同系列的题