[Next-Gen AI] SuperResearch：超越“深度搜索”，LLM 迈向战略级自主研究

TL;DR

尽管当前的 LLM 在单一领域的“深度研究 (Deep Research)”或大规模的“广度搜索 (Wide Search)”上初露锋芒，但面对需要综合上千个网页数据、平衡冲突证据并进行长程规划的超复杂问题（如免疫药理机制优化）时，依然显得力不从心。本文提出的 SuperResearch 范式，通过结构化分解、超广检索与超深调查的闭环，为自主 AI 研究智能体设定了新的技术“天花板”。

背景定位：这是一篇定义了 AI 研究智能体性能上限（Ceiling Evaluation）的开创性工作，它不仅提出了新的方法论，还发布了一个极具挑战性的专家级基准测试（300 个长程规划任务）。

痛点深挖：为何目前的“搜索”不够深，也不够广？

在学术或专业决策场景中，一个典型的痛点是 "信息茧房"与"证据冲突"。

• Deep Research 的局限：倾向于沿着单一证据链深入，容易产生“管窥效应”，忽略了横向的对立观点。
• Wide Search 的局限：专注于获取海量节点，但缺乏综合深度，导致“信息过载”而无法形成有逻辑的结论。
• 归纳瓶颈：现有的 RAG 系统在处理 100 步以上的检索和 1000 页以上的参考资料时，会出现严重的推理中断和幻觉。

核心方法论：Super Deep & Super Wide 的逻辑解构

SuperResearch 不仅仅是简单的搜索，它模仿了人类顶尖咨询顾问的思考流程：

1. 结构化分解 (Structured Decomposition)

系统首先通过 Planner Agent 将一个复杂的“根问题”分解为有向无环图 (DAG) 形式的研究计划。这意味着每一个子任务都有其逻辑依赖支撑。

2. 超广检索 (Super Wide Retrieval)

为了确保 Objectivity（客观性），模型需要遍历整个子领域拓扑，寻找 Thesis（论点）与 Antithesis（对立论点）。

3. 超深调查 (Super Deep Investigation)

通过循环的“研究-总结-再研究”流程，模型不断通过后续查询来消除不确定性。

图 1: Super Research 与标准 RAG、Deep Research、Wide Search 的能力范围对比。可以看到 SuperResearch 在路径深度和水平宽度上都大幅延伸。

工业级评估：图增强审计 (Graph-anchored Auditing)

为了验证研究报告的质量，作者提出了一种基于知识图谱投影的评估协议，涵盖五个核心维度：

1. Coverage（覆盖率）：基于图节点的递归加权召回率（Rweighted）。
2. Logical Consistency（逻辑一致性）：结论是否拥有完整、未中断的引文链支撑。
3. Utility（实用性）：基于报告内容生成的 Q&A 测试。
4. Objectivity（客观性）：对冲突观点的立场校准（Stance Calibration）。
5. Citation Health（引文健康度）：检测是否存在单一来源依赖。

图 2: 研究图谱构建流程，将非结构化报告转化为可验证的逻辑拓扑。

实验结果：全员折戟的“天花板”测试

在 300 个真实世界的复杂任务下，目前的 SOTA 模型表现出明显的“能力崩塌”：

• 性能极低：强如 Gemini Deep Research 也仅获得 28.62 分，说明超复杂逻辑合成依然是 LLM 的禁区。
• 逻辑瓶颈：大多数模型能找对事实（Fact），但无法将事实逻辑严密地串联成 Insights（见解）。
• 防御性总结：OpenAI 的 o3/o4 系列表现出明显的“防御姿态”——虽然安全性（Objectivity）极高，但实用性（Utility）较低，倾向于给出笼统、正确的废话。

表 1: 主实验结果。Deep Research 系统的表现优于原生搜索 Agent，但距离人类专家水准（100分）仍有巨大差距。

深度洞察与总结

Takeaway: SuperResearch 证明了，衡量一个 AI 智力的关键不再是它“知道多少”，而是它在面对上千个相互矛盾的信息源时，如何通过长程规划 (Long-horizon planning) 和 证据对齐 (Evidence alignment) 来构建逻辑闭环。

局限性：

• 成本极高：单次研究任务涉及上千次 API 调用和海量 Token，推理成本不菲。
• 幻觉累积：在长达 100 步的推理链条中，前期的微小误差可能导致后期的逻辑雪崩。

未来展望： 该技术将直接赋能药物发现、专利侵权分析和宏观经济预测等领域。未来的研究重点将在于如何降低这种“超重型”研究的计算成本，并开发更强大的“自我修正”机制。