传统的 Deep Research 已经卷到头了。 能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。 我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。 统计 20 个核心人物的 → 出场次数 → 出场回数 → 每个人第一次出场时的原句 最后还要整理成一张可以直接下载的完整表格。 整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。 上传文件后，它自己开始拆任务。 一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进； 右侧 Task Board 会实时告诉你现在做到哪一步。 更有意思的是，任务跑到一半，我突然改需求： “只分析前 80 回，后面的不要了。” 以前遇到这种情况，AI 很可能重新来一遍。 Apodex 直接保留已经完成的成果，只重规划受影响的部分。 更关键的是，它不是做完就交卷。 交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。 最后交付给我的是： 可下载的结构化表格 + 完整分析结果 + 口径说明。 这可能才是下一代 Deep Research 真正值得关注的变化： 从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。 目前，Apodex 1.1 Web 端已经正式上线。 🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看： 🌐 没想到，更炸裂的是，Apodex 居然开源了 开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。 开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。 本地运行： 支持 macOS / Linux，无需强制依赖 Docker。 组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。 💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐： 👉 🤗 想本地自己跑模型的看这里👇 #Apodex# #DeepResearch#

冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是"无脑检索"——先把所有文本切成 chunk 做向量索引，查询时取 top-k 就完事。痛点：chunk 彼此孤立、检索粗糙、对复杂问题无力。这正是所有分支要解决的问题。 ② 2022–2023 — 检索精度升级（更准） ColBERTv2：把"单向量"改成 token 级多向量 + MaxSim 延迟交互，匹配更细；残差压缩把存储降 6–10 倍。检索器本身从"粗"变"准"。 Modular RAG：意识到 RAG 不该是固定管道，而是一堆可编排模块（检索/重排/生成），像乐高一样组合。架构开始"模块化"。 ③ 2023–2024 — 反思纠偏 + 结构增强（更准、更懂关系） Self-RAG / CRAG：给系统装"质检员"——Self-RAG 用反思 token 自己决定要不要检索、内容对不对；CRAG 用轻量评估器三路径纠正（正确用/错误重写或联网/模糊混合）。解决了"检索到垃圾也不知道"的问题。 RAPTOR：用递归摘要树组织文档，适合全局性、多跳、总结类问题。 GraphRAG / LightRAG / HippoRAG2：把文本抽成实体–关系知识图谱，用图谱做多跳推理（Microsoft GraphRAG 用 Leiden 社区摘要；HippoRAG 用个性化 PageRank）。这是"结构化知识"路线，但全量图谱构建很贵。 ④ 2024–2025 — 路由与成本优化（更省） Adaptive RAG：按查询复杂度动态路由——简单问题直接 LLM 答、复杂问题才走多步检索。 LazyGraphRAG：把社区摘要延迟到查询时才算，索引成本降到 GraphRAG 的 0.1%。 长上下文路由：2M token 窗口出现后，结论是"不替代 RAG，而是分工"——简单查走 RAG（几分钱），复杂多跳走长上下文，视觉文档走 ColPali。GraphRAG-Bench（ICLR 2026）给出经验法则：图的价值随查询复杂度上升。 ⑤ 2025–2026 — 自主智能体 + 强化学习（更自主） Agentic RAG：让 AI agent 动态决定"用什么工具（向量库/网页/API/SQL）、查几轮、怎么合成"。 Search-R1 / DeepRetrieval / DeepResearcher / MCTS-RAG：用 RL 端到端训练 LLM 学会"何时搜、搜什么"。Search-R1 在 Qwen2.5-7B 上比普通 RAG 提升 41%；DeepRetrieval 直接以检索指标（recall@k、NDCG）为奖励优化查询；MCTS-RAG 把蒙特卡洛树搜索融进推理。这是从"固定流程"走向"会自己找信息的智能体"。

分享一下2026我最常用的AI产品。 自去年8月之后，时间又过了大半年，我觉得我又可以来分享一下我现在最常用的AI产品了。 AI圈的变化，实在是太快了。 毕竟，马上五一假期了。 我相信很多朋友肯定不出去玩，要在家里学AI的对吧？肯定的吧！ 所以咧，出一期这个，也能帮大家，在五一假期学习AI。 坦诚的讲，我用的大部分都是海外版的产品，因为从能力和质量上来说，目前海外版的一些产品确实能力更强，但也更贵。 但考虑到很多人的不方便，所以如果国内有水平差不多的，我也会推荐一个国内的产品，方便大家使用，如果某项能力差很多的，我就不推荐了。 那么，咱们开始。 1. 知识问答： GPT-5.5（幻觉极低） 豆包（国内） 2. 内容创作与知识管理： Claude Opus 4.6（独一档的夯，别用Opus 4.7，真的拉） DeepSeek V4 Pro（国内） 3. 数据分析： Codex + GPT-5.5 Claude Code + GLM-5.1（国内） 4. 前端设计： Gemini 3.1 Pro Kimi K2.6（国内） 5. 架构规划： Claude Code + Claude Opus 4.7 Claude Code + GLM-5.1（国内） 6. 代码开发执行： Codex + GPT-5.5 Claude Code + GLM-5.1（国内） PS：我现在一般是cc + Opus 4.7做完规划以后，Codex + GPT-5.5去进行详细开发和执行。 7. 深度研究： ChatGPT DeepResearch 豆包（国内） 8. 图片与平面设计： GPT-image-2（独一档的夯） 即梦Seedream-5.0-lite（国内） 9. 视频生成与编辑： Seedance 2.0（运动质感） 可灵3.0（电影质感，原生4k夯爆了） PS：两个都是国内的。 10. 音乐生成： Suno v5.5 MiniMax Music 2.6（国内） 11. 3D生成： TripoAI 12：AI输入法： 豆包输入法（语音输入夯爆了） 13：AI硬件： 飞书录音豆（帮我拿我自己每天的语音对话Context进飞书会议纪要） GetSeed录音卡（帮我每天发芽获得新的认知） 14：AI热点资讯获取： AIHOT（我自己做的，浓缩了三年做AI自媒体的经验，五一我在家里再优化一下成本和服务器还有安全啥的，预计五一节后可以给所有人免费开放使用，做都做了，不如给大家一起玩） 感觉我几乎常用的就这些了，有点想不起来别的了。。。 如果大家有自己想知道的其他场景的好用的AI产品，也可以在评论区提问，玩了这么多，知无不言。 大概就是这样。 大家五一快乐！ 如果没啥大热点的话，那咱们节后再见啦！

Deep Research 跑到 1 亿 token 语料库时，最先崩的往往是「证据管理」。 搜得越久，两个问题会很明显： 已经找到的关键证据被埋掉，后来的修正也没真正进入最终结论；同时 Agent 还在继续搜索，越搜越长，却不知道自己到底还缺什么。 这篇 LongHarness 就是专门解决这个问题。 它维护两套持续更新的状态： EvidenceBank 保存已经确认的证据和来源； Conclusion State 记录当前结论，以及还有哪些信息缺口没解决。 新的证据会更新结论，新的缺口再指导下一轮搜索。旧证据如果被推翻，也可以被替换或撤回，而不是一直堆在上下文里。 效果也是很明显的。 在 OfficeQA Pro 上，GLM-5.3-Flash 的准确率从 15.8% 提升到 60.2%；更难的 V2 从 4.4% 提升到 61.1%，还分别超过 Claude Code 和 Codex。 而且当语料库变大之后，LongHarness 的中位交互轮数只从 22 增加到 30，而 Claude Code 从 21 涨到 116。 以前大家更关心「能不能找到信息」，接下来会更关心哪些证据还有效，哪些结论需要更新，以及下一步到底还缺什么。 📎 arxiv:

以为 OpenAI 那种高门槛的 Deep Research 离普通人很远？LangChain 官方直接把底裤都给扒出来了。 LangChain 开源的 open_deep_research，说白了就是完全开源复刻了顶尖 AI 机构的“深度研报生成引擎”。基于 LangGraph 构建，采用了 Supervisor + Sub-Agent 的多智能体协作架构（MIT 协议）。不管你是接 OpenAI、Claude 还是挂 DeepSeek，几分钟就能在本地搭出一个能自主拆解课题、多线程联网搜资料、自动交叉验证并生成长篇研报的 AI 代理系统。 需求主动澄清：课题太模糊它不上杠，先提问把你需求搞明白再动手 任务并行拆解：主智能体切分子课题，派多个子 Agent 独立去抓资料 智能体开发者社区 - CSDN 上下文防暴击：子 Agent 自动清洗垃圾网页，只向上汇报高密度信息 模型自由切换：想省钱直接用开源大模型，不用被单一厂商绑定 GitHub：

✨ 更新速览 | Gate AI 两大新功能上线 ✅ Deep Research 新增指定网址深度研究，输入项目官网、区块浏览器链接或合约地址，即可开展精准深度调研 ✅ 原本受 VIP 等级限制的市场异动通知现已面向全体用户开放，第一时间掌握全网市场动态 高效赋能链上研究与市场决策，快来体验 👉

@jinglian 这不是问答了，是项目管理！ 传统 Deep Research 卷的是“把报告写好看”。 这个 demo 卷的是“把活干完”。 中途砍到前 80 回还不重开，最后还交出可下载表 + 口径说明 + 核验记录。

我现在的内容搜集和学习路径已经变了 想写个 MCP 的教程和介绍 直接 Gemini Deep Research 搜索整理成文档 然后再用我的提示词变成可视化页面辅助阅读和理解，知识消化速度大幅提升 里面的可视化内容还能在写文档的时候当配图