自从深度研究 Deep Research 的概念出现，AI 的模样发生了变化——没那么快了。以往，我们常常把 AI 想象成一个随叫随到的问答机器——只要扔一个问题，它能瞬间给出答案。但从今年以来，一种新的趋势正悄然兴起：AI 不再仅仅回答，而是在「研究」的路上，一步步陪你往前走。这还只是起点。随着 Gemini、Kimi、Grok 等产品纷纷加入战局，我们看到一个更完整的框架正在形成：从单纯「快速问答」，到「内容聚合」，再到 「任务构建者」。一个能够自动拆解问题、追踪路径、生成方案的研究协作体，正在慢慢浮现。我们，正在从「即时回答」进入「深度理解」的时代。定义 Deep Research 也许有点困难，但它的反义词却很好找：对话问答。自从 ChatGPT 出现后，与 AI 的协作中，问答是最基础的单位。围绕这个动作，讲究的是响应速度、生成质量和引用来源，执行出来的效果大于一切。至于 AI 究竟有否理解问题、深入问题，并不在考核范围内——直到 Deep Research 开始卷起来。ChatGPT 的 Deep Research 就是一个会把「慢」摆出来的产品。而且不仅仅是检索和生成的时间慢，节奏也慢：接到任务时，它的第一反应不是立刻开动，而是先反问用户。通过二次确认，GPT 会让任务进一步细化、明确，然后再进入作业环节。整个作业环节耗时 10-30 分钟不等，用户会看到一个进度条。二次确认无疑是模型反思、理解的一种外显化，因此这也被称为「意图转规划型」：通过针对性提问主动澄清用户意图后再制定计划。相对的，不支持二次确认的产品，则是规划策略型。而 Gemini、Qwen 也都支持二次确认。其中 Gemini 更是大张旗鼓，它把研究规划前置了一部分，然后形成初步方案，让用户来确认。这比 GPT 更进一步，被称为统一意图规划型系统。这些产品的共通点在于——它们都牺牲了「即时响应」，换取一个更稳定、可追踪的推理路径。可以看到，Deep Research 场景中，回答的速度可以慢下来，不再需要像 chatbot 那样立即给出回答。但是思考、拆解步骤，以及更精细的推理，都需要通过思维链来展示。对用户来说，这样的节奏转变，意味着人也不再是把问题丢进去就完事儿，而是要主动地，成为一个问题共建者，才能尽可能调动 AI 的能力。Deep Research 带来的，不只是信息的再组织，更是一种心理上的节奏调动——它允许你停顿、反问、重构你的问题，而不是焦虑又无措地等待一个「完美答案」。如果说过去的 AI 问答像是「敲出问题、接住结果」，那么现在的 Deep Research，更像是你和 AI 一起，把问题翻来覆去看清楚，然后再慢慢往下走。这种缓慢不代表低效，而是把注意力重新放回了「提问的质量」与「思考的路径」上。同时，理解力也进一步把 Deep Research 和 AI 搜索区分开来，它更像是一个和你「一起想问题」的搭档，而不是超级搜索框。显然话不能说得这么粗暴，而这也是 Deep Research 内卷赛，给产品进化带去的第二个特征：从内容聚合器，到自主任务构建者。这一点，在 Kimi 发布的 Deep Research 产品身上格外有所体现：开发团队点明了，这就是一个类 agent 产品。Kimi 加入 Deep Research 战局的时间比较迟，但也正因为如此，他们想好了自家模型的优势——超长上下文——应该如何作用于这个场景。根据 Kimi-VL 技术报告，它的上下文窗口为 128K。这使得一次性处理整本白皮书、所有对话历史或多源文档成为可能。同时意味着 Deep Research 不再受篇幅限制，AI 可以「一口气」浏览大量资料而不中断。举个例子，它能执行平均 23 步推理、访问 200 多个网页、跨验证信息冲突、并生成清晰结构化的研究报告——这样的表现已经远超过什么「打开搜索、复制粘贴」的内容聚合器。同时，结合了 MoE + RL agent 架构，Kimi‑Researcher 可以像人一样「思考中间步骤」：先查 A，再去验证 B，最后再整合 C 路径信息，整个流程更加完备。可以这样理解：超级搜索依然是需要的，它是一切的基底。但在 Deep Research 产品中，不能只是找到一堆网页，稍加整理就端上来。而是要通过检索、查找，完成「梳理成因」「判断脉络」「总结偏向」的工作。比如，Grok 就是这样走向结构化的研究。xAI 在 Grok 3 引入了更深层的搜索 DeeperSearch，在检索时智能筛选并逐步深化思路。Grok 4 则更进一步，内置了更多的原生工具调用与实时网页搜索 。结合前面「从快问答到慢理解」的变化，AI 再一次由内容聚合器的角色进化，更深入地参与思考过程，从问答系统过渡到「研究系统」。当逐步靠近研究系统之后，Deep Research 就离成为一个 agent 不远了。在 Deep Research 的军备竞赛里，光靠文字材料、符号语言已经不够了。毕竟，互联网上的信息，除了文本之外还有那么多，图像、视频、声音，都承载了大量的信息。
想要覆盖到更多样的信息和内容，出现了两条路线上的区别：让模型具备多模态处理能力，或者是调用工具，走多智能体排布。前者的代表依然是 Kimi。后者则遍地开花，大多数深度研究都内置了脚本执行环境，与网页环境交互、执行代码、调用外部 API 完成复杂现实任务。多模态处理能力，也是使得通用型 agent 在 Deep Research 赛道上「弯道超车」的机会。没有自己的模型？没关系，通过 MCP（Model Context Protocol）和 A2A 策略（Agent-to-Agent），促成多智能体协作，也能尽可能达到效果。不过，这显然对开发团队的工程能力有极高的要求，目前能被人记住的，还是 Manus、Genspark 等知名通用型 agent 产品。半年前，Deep Research 还不是一个标准产品形态，但它像一组拼图，正在一点点描出「AI 思考」的真正轮廓。也许我们还不能准确定义 Deep Research，但可以开始描绘它的边界。它不会属于最忙的上班族，也不会只为 Prompt 爱好者，它是为那些「问题本身很复杂」的人服务的。同时，Deep Research 也不仅仅是大模型能力的其中一个「落地」场景，它更像是一项独立而复杂的工程试验：在 AI 擅长的知识生成和语言输出之间，插入「结构化的思维步骤」，让「会查资料的 AI」开始尝试「搞懂问题」「搭建过程」「给出路径」。
这要求模型不仅能理解指令，更要能识别问题边界；不仅能提取信息，还得能排列组合、判断先后、构建链条——这已经不是「响应快不快」的问题，而是有没有一整套系统结构，去支撑复杂问题的解决。
我们可以看到，这场技术演化不是一场「更强搜索框」的比拼，而是在回答一个根本问题：AI 是否能拥有一种属于它自己的「思考范式」？
它或许不会像人类那样阅读、归纳、写笔记，但也许，它能以另一种方式完成类似的过程——跨模态理解、多智能体协作、路径感知和任务建构……
我们仍不知道 Deep Research 的最终形态会是什么，但能明确的是：它的目标，不仅是服务更多人，而是服务更复杂的问题。
那些最难讲清、最需要缕清脉络、最容易失焦的议题，将会是 Deep Research 真正的用武之地。而能不能解决这些问题，将决定 AI 是「更强工具」，还是「真正的合作者」。
