DeepResearch（二）：Vane、AutoResearchClaw、ROMA、SearchClaw、Perplexica、Kimi-Researcher

DeepResearch系列DeepResearch上方法论、OpenAI Deep Research、SurfSence、MindSearch、morphik、Firesearch通义DeepResearch本文继续汇总介绍几个开源或闭源深度研究项目。Vane开源GitHub35.8K Star3.9K ForkAI搜索引擎/工具能理解问题、整理答案的智能助手。曾用GitHub地址ItzCrazyKns/Perplexica。不仅能像传统搜索引擎一样检索互联网信息更能理解你的提问语境结合LLM和相似度检索技术给出更准确、结构化且带有来源引用的答案核心目标是为开发者和知识工作者提供一个无需依赖大厂、可完全本地化部署的智能搜索工具。特性多模式智能搜索Copilot模式通过自动生成多样化查询主动访问相关网页提取并筛选最优答案适合复杂、开放式问题。普通模式类似经典搜索输入问题后自动调用SearxNG元搜索引擎结合AI理解能力返回答案。六大Focus模式All Mode全网检索返回最优结果Writing Assistant写作助手不联网适合内容创作Academic Search学术搜索聚焦论文和学术资源YouTube Search检索YouTube视频Wolfram Alpha Search支持复杂计算与数据分析Reddit Search聚合Reddit社区讨论与观点实时性与隐私保护。不会像部分AI搜索那样仅依赖爬取后的静态数据而是实时通过SearxNG抓取、重排序确保信息新鲜且无需担心隐私泄露可选择本地部署LLM如Ollama等实现100%本地推理无需API Key数据不出本地。丰富的模型与API支持。支持多种LLM接入包括Lemonade等可通过API轻松集成到你的应用或自动化流程中。实战提供多种部署方式如基于Docker、Docker Compose、npm等# 基于Dockerdockerrun-d-p3000:3000-vvane-data:/home/vane/data--namevane itzcrazykns1337/vane:latest# 基于Docker和自建SearxNGdockerrun-d-p3000:3000-eSEARXNG_API_URLhttp://your-searxng-url:8080-vvane-data:/home/vane/data--namevane itzcrazykns1337/vane:slim-latest# 基于源码和Docker Composegitclone https://github.com/ItzCrazyKns/Vane.gitcdVanedockercompose up-d# 或基于npmnpminpmrun buildnpmrun start浏览器打开http://localhost:3000开始体验。AutoResearchClaw论文开源GitHub13.8K Star1.6K Fork深度研究助手输入一个主题即可生成论文级别的专业文档。功能说明多源文献来自OpenAlex、Semantic Scholar和arXiv的真实论文查询扩展、去重、三态熔断器与优雅降级四层引用核查arXiv ID校验→CrossRef/DataCite DOI→Semantic Scholar标题匹配→LLM相关性评分。幻觉引用自动删除硬件感知执行自动检测GPUNVIDIA CUDA/Apple MPS/纯CPU据此调整代码生成、import和实验规模OpenCode Beast Mode复杂实验自动路由至OpenCode生成多文件项目含自定义架构、训练循环和消融实验。通过researchclawsetup安装沙箱实验AST验证代码、不可变harness、NaN/Inf快速失败、自修复、迭代优化最多10轮、部分结果捕获顶会级写作NeurIPS/ICML/ICLR模板分段撰写5,000-6,500词反数据捏造守卫、修订长度保障、反免责声明强制模板切换neurips_2025、iclr_2026、icml_2026Markdown→LaTeX含数学公式、表格、图片、交叉引用、\cite{}反数据捏造VerifiedRegistry强制论文中使用经过验证的实验数据。自动诊断失败实验并在写作前修复。未验证数字被清理质量门控3个人工审批门控阶段5、9、20支持回滚。用--auto-approve跳过HITL Co-Pilot6种干预模式支持逐阶段策略。Idea Workshop、Baseline Navigator、PaperCo-Writer实现深度协作。Smart Pause、成本护栏、升级策略和干预学习确保生产安全。CLI/Web Socket/MCP适配器成本护栏预算监控可配置阈值告警50%/80%/100%。超出预算时流水线自动暂停可复现性所有阶段产物的SHA256校验和。不可变清单用于验证。多级撤销与版本化快照核心能力功能说明Idea Workshop协作式头脑风暴、评估和优化假设阶段7-8Baseline NavigatorAI建议基线人工增删可复现性检查清单阶段9Paper Co-Writer分段撰写人工编辑与AI润色结合阶段16-19Smart Pause基于置信度的动态暂停自动检测何时需要人类输入声明验证与收集的文献进行内联事实检查标记无依据的声明成本护栏预算监控50%/80%/100%阈值告警干预学习ALHF每次运行提取教训决策理由、运行时警告、指标异常30天时间衰减。从历史中学习优化未来的暂停决策分支探索分叉流水线探索多个假设比较后合并最佳路径升级策略分级通知终端→Slack→邮件→自动暂停无人值守时触发3种适配器CLI终端、WebSocketWeb仪表板、MCP外部Agent知识库每次运行在6个类别决策、实验、发现、文献、问题、评审中构建结构化知识库流水线8个阶段组23个阶段阶段组A研究定义1.TOPIC_INIT2.PROBLEM_DECOMPOSE阶段组B文献发现3.SEARCH_STRATEGY4.LITERATURE_COLLECT ← 真实API5.LITERATURE_SCREEN [门控]6.KNOWLEDGE_EXTRACT阶段组C知识综合7. SYNTHESIS8. HYPOTHESIS_GEN ← 辩论阶段组D实验设计9. EXPERIMENT_DESIGN [门控]10. CODE_GENERATION11. RESOURCE_PLANNING阶段组E实验执行12. EXPERIMENT_RUN13. ITERATIVE_REFINE ← 自修复阶段组F分析与决策14. RESULT_ANALYSIS ← 多Agent15. RESEARCH_DECISION ← PIVOT/REFINE阶段组G论文撰写17. PAPER_DRAFT18. PEER_REVIEW ← 证据审查19. PAPER_REVISION阶段组H终稿20. QUALITY_GATE [门控]21. KNOWLEDGE_ARCHIVE22. EXPORT_PUBLISH ← LaTeX23. CITATION_VERIFY ← 相关性审查提供完整的人机协作HITL系统将流水线从纯自动化转变为人机协作的研究引擎模式命令做什么完全自动--auto-approve原始行为——无人工干预仅门控--modegate-only在3个门控阶段5、9、20暂停等待审批检查点--modecheckpoint在每个阶段组边界暂停8个检查点Co-Pilot--modeco-pilot在关键阶段深度协作其余自动执行逐步--modestep-by-step每个阶段后暂停——用于学习流水线快速--modeexpress快速审核——仅3个最关键的门控可使用任何ACP兼容的编码Agent作为其LLM后端无需API密钥Agent通过acpx通信在全部23个流水线阶段中维持单个持久会话。内置Bridge适配器系统提供6个可选集成能力# config.arc.yamlopenclaw_bridge:use_cron:true# 定时研究任务use_message:true# 进度通知Discord/Slack/Telegramuse_memory:true# 跨会话知识持久化use_sessions_spawn:true# 为并行阶段派生子会话use_web_fetch:true# 文献检索中的实时网络搜索use_browser:false# 基于浏览器的论文采集实战基于源码体验# 1. 克隆并安装gitclone https://github.com/aiming-lab/AutoResearchClaw.gitcdAutoResearchClaw python3-mvenv .venvsource.venv/bin/activate pipinstall-e.# 2. 初始化交互式安装OpenCode Beast Mode检查Docker/LaTeXresearchclaw setup# 3. 配置researchclaw init# 交互式选择LLM提供商创建config.arc.yaml# 或手动cp config.researchclaw.example.yaml config.arc.yaml# 4. 运行exportOPENAI_API_KEYsk-...researchclaw run--configconfig.arc.yaml--topicYour research idea--auto-approveCLI命令示例# 以HITL模式启动researchclaw run--topic...--modeco-pilot# 附加到暂停的流水线从另一个终端researchclaw attach artifacts/rc-2026-xxx# 检查流水线和 HITL 状态researchclaw status artifacts/rc-2026-xxx# 从另一个终端或脚本审批/拒绝researchclaw approve artifacts/rc-2026-xxx--messageLGTMresearchclaw reject artifacts/rc-2026-xxx--reason缺少关键基线# 为某个阶段注入引导甚至在它运行之前researchclaw guide artifacts/rc-2026-xxx--stage9--message使用 ResNet-50 作为主要基线配置文件config.arc.yaml示例hitl:enabled:truemode:co-pilot# full-auto、gate-only、checkpoint、co-pilot、customcost_budget_usd:50.0# 超出预算时暂停0 无限制notifications:on_pause:trueon_quality_drop:truechannels:[terminal]# terminal、slack、webhooktimeouts:default_human_timeout_sec:86400# 默认等待24小时auto_proceed_on_timeout:falsecollaboration:max_chat_turns:50save_chat_history:true# 逐阶段自定义策略可选用于custom模式stage_policies:8:{require_approval:true,enable_collaboration:true}9:{require_approval:true,allow_edit_output:true}ROMA由Sentient AGI团队开发的Recursive-Open-Meta-Agent开源GitHub5.1K Star772 Fork框架通过递归层次结构自动将复杂问题拆解为可并行子任务提供完全透明的执行过程便于调试和优化。内置通用任务解决器、深度研究Agent和金融分析Agent支持多模态、工具调用和MCP协议在SEAL-0、FRAMES和SimpleQA基准测试中表现卓越堪称Deep Research的开源杀手。特性递归分解层次结构与并行执行Atomizer判断任务是否原子若非则触发规划Planner将任务拆解为子任务递归反馈Executors处理原子任务支持LLM、API或其他Agentagent.execute()接口Aggregator整合子任务结果回传父任务信息流自顶向下分解、自底向上聚合、左到右依赖执行基准测试顶级性能SEAL-0事实求证测试处理冲突搜索结果ROMA-Search超越Gemini-2.5-ProFRAMES检索增强生成评估事实性、检索准确性和推理ROMA在多源整合上卓越SimpleQA简单问答ROMA匹配o3 Pro水平内置专业智能体通用任务解决器多领域Agent使用ChatGPT Search Preview支持智能搜索、规划和原型构建深度研究Agent复杂研究系统智能拆解、并行信息收集、多源整合和合成金融分析Agent加密货币专属集成Binance/CoinGecko/DefiLlama实时数据、Arkham链上分析、技术指标和DeFi指标在E2B沙盒安全执行多模态与工具集成多模态支持处理文本、图像、代码等工具调用MCP协议、钩子、缓存支持API集成安全执行E2B沙盒和S3数据持久化避免风险透明调试与优化执行可视化每步日志清晰支持上下文工程迭代优化调整Planner或Executor快速改进Agent实战部署gitclone https://github.com/sentient-agi/ROMA.gitcdROMA ./setup.sh--docker# 自动构建环境./setup.sh--native# 安装Python依赖./setup.sh--e2b# E2B沙盒集成./setup.sh --test-e2b# 测试E2BSearchClaw技术报告专业的开源GitHub106 Star15 Fork代理式网络研究工具通过其Web用户界面用户只需提出问题它便能自主执行多步骤研究包括全面搜索网页、学术论文和新闻等多种来源并智能阅读、分析内容最终生成经过充分引用且高质量的答案。项目借鉴线束工程原理围绕LLM构建一个结构化框架而非单纯依赖提示词从而提升代理的可靠性。关键特性包括支持多源搜索和可选的浏览器集成以处理复杂页面具备自动研究规划和在研究过程中向用户提问的能力通过严谨的质量门控机制确保答案的引用完整性、来源多样性及信息全面性智能管理上下文窗口拥有持久化记忆功能以学习用户偏好和历史事实广泛兼容多种LLM提供商可配置密码保护以确保远程部署安全。Perplexica官网聊天式搜索入口支持多种当前最强国外包括国内模型自动选择最优模型支持多种搜索来源并支持多种适用模式Kimi-Researcher项目主页Kimi推出专为解决复杂问题而设计的深度研究智能体擅长多轮搜索与推理。暂未开源GitHub只有静态图片、markdown文件和一次提交。网页端入口如下核心能力包含如下4个维度研究计划制定首先向用户追问澄清需求然后基于ReAct模式进行研究。同时具备计划的动态调整能力在任务执行过程中如果发现初始的规划方向不够精准或遇到新的信息它能够实时调整策略。工具使用与环境交互内置一套强大的工具集包含并行实时搜索工具、交互式Web浏览器工具和代码执行工具。依托工具集将思考与行动紧密结合形成推理→行动→反馈流程即先通过内部推理规划行动步骤再自主调用适当的工具获取信息或执行操作然后将结果纳入思考循环往复直至解决问题。内容评估与报告生成具备信息冲突解决和交叉验证能力。当多个来源的信息相互冲突时可通过迭代假设细化和自我纠正机制处理信息冲突在回答前回执行额外的搜索并交叉验证信息。支持生成可溯源引用标注、结构化和可视化报告。多角色Agent协同作为闭源产品其内部实现细节未公开。从技术细节看可能是单Agent架构。核心创新全自动化的数据生成与验证管线以保证训练数据的规模、多样性和正确性验证与过滤推理密集型任务数学与代码推理高难度搜索工具为中心的任务强制调用特定工具开始:定义任务目标数据生成策略自动化生成问题-答案对提取可靠的Ground Truth (GT)PassN检查过滤简单问题移除模糊或错误数据最终训练数据集工具为中心的任务被特意设计为必须通过调用特定工具才能解决旨在训练智能体学习何时以及如何有效地协同使用工具。推理密集型任务旨在强化智能体的核心认知能力数学与代码推理训练模型利用工具集解决逻辑推理和算法问题。高难度搜索要求智能体在上下文约束下进行迭代式搜索、信息综合和推理以得出正确答案。采用强化学习算法进行训练。为了确保训练的稳定性采用以下关键策略严格的On-policy训练在训练过程中禁用工具调用格式强制器等LLM引擎机制确保智能体完全依据自身的概率分布生成轨迹从而获得严格的在策略On-policy数据。负样本控制负样本错误的轨迹会降低模型输出的概率可能导致熵崩溃。为此团队策略性地丢弃部分负样本使模型能够在更长的训练周期内持续改进。结果导向的奖励机制为了在动态环境中提供一致的偏好信号使用基于最终结果的奖励。格式奖励对包含无效工具调用或超出上下文/迭代限制的轨迹给予惩罚。正确性奖励对于格式正确的轨迹根据模型答案与标准答案Ground Truth的比对结果给予奖励。效率激励对正确的轨迹应用gamma衰减因子公式r × γ T − i r×γ^{T−i}r×γT−i其中r rr是结果奖励T TT是总步数。鼓励模型探索更短、更高效的解题路径。是否是否智能体生成完整轨迹轨迹是否存在格式错误?格式奖励: 惩罚答案是否正确?正确性奖励: 正奖励应用Gamma衰减, 早期步骤奖励更高正确性奖励: 负奖励/零奖励学习信号高效的长上下文管理一个长序列研究任务的观察上下文可能非常庞大若无有效的记忆管理智能体在10次迭代内就可能超出上下文限制。为此设计一套上下文管理机制允许模型在保留关键信息的同时丢弃不必要的文档。使单个Rollout轨迹的长度扩展到超过50次迭代。早期消融研究表明采用该机制训练的模型迭代次数增加30%从而能获取更多信息并取得更高性能。大规模智能体RL基础设施具体来说全异步Rollout采用基于服务器的架构并行调度智能体Rollout、环境交互和奖励计算消除了资源等待时间效率远超同步系统。回合级部分Rollout针对少数需要大量回合的长尾任务设计部分Rollout机制。超出时间预算的任务会被存入回放缓冲区在后续迭代中使用更新后的模型权重继续执行剩余的回合。带来至少1.5倍的Rollout加速。鲁棒的沙箱环境统一的沙箱架构在保证隔离性的同时消除容器间开销。基于Kubernetes的混合云架构支持动态资源分配和零停机调度确保系统的高可用性和容错性。