开源智能体 Optimist Deep Research 将文献调研拆成可迭代…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从单步检索到迭代取证
论文的出发点是现有检索增强系统大多把文献搜索当作一次检索加一次总结，而真实调研中提问者的理解会随阅读改变，会冒出新的子问题，证据需要被权衡而不只是被收集。Optimist Deep Research 因此把研究问题拆成一棵子问题树，每个子问题由若干检索意图支撑，这些意图再被翻译成针对具体数据源的查询，覆盖 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 以及网页。整个流程围绕一个显式且可修改的研究状态推进，而不是一次性把结果丢给模型总结。
去重、扩展与证据结构化
检索回来的结果先经过一个保守的四级去重层级，合并成统一的文档登记库，并在合并过程中保留出处信息。登记库随后通过引文滚雪球继续扩展，直到满足某个饱和判据为止。之后文档被筛选、排序，并以轮流分配的方式对应到各个子问题。文档被并行读取，转成结构化的证据库，其中每条论断都带有支持情况、所在位置、类型与强度等字段。这套确定性机制的作用是让基于语言模型的流水线保持可审计，最终报告按节从证据库写出，每条引用都能解析到一篇实际检索到的文档。
评审器返回动作而非结论
与常见的二元通过或不通过判定不同，系统中的评审器沿八个维度检查当前研究状态，输出的是研究动作：它可以新增子问题、拆分已有子问题、改写表述、降低优先级或直接关闭某个子问题。这意味着研究计划既是调研的输入，也是调研过程的产物，会随着证据积累而调整。论文将其描述为把文献研究当作迭代的证据获取过程，并强调这套设计让模型流水线的中间环节可被追踪和复核。
案例规模与已暴露的弱点
论文给出一个案例研究：系统在约三分半钟内读取了 237 篇检索文档中的 28 篇。这个数字同时说明了流程的吞吐与取舍——大量检索结果并未被实际阅读。作者也明确报告了该案例暴露出的弱点，但摘要层面只提到存在这些弱点，未展开具体内容。论文发布于 arXiv cs.AI，编号 2610.23299，提交时间为 2026 年 10 月 16 日，作者为 Gihan Panapitiya。
为什么值得看
想了解检索增强系统如何从单步检索走向可审计的迭代研究流程，这篇给出了具体设计与案例数据。
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。