剖析 DeepResearch 代理：动态规划优化多跳研究路径与资源分配

在当前 AI 智能体研究的前沿，Alibaba-NLP 开源的 Tongyi DeepResearch 代理模型，凭借其在 Humanity’s Last Exam、BrowseComp 等基准测试中的卓越表现，已成为深度研究领域的标杆。其核心竞争力不仅在于 30B 总参数与 3B 激活参数的高效架构，更在于一套精密的动态规划引擎，该引擎专门用于优化多跳研究任务中的推理路径与计算资源分配。本文将深入剖析这一机制，揭示其如何通过任务拆解、路径动态调整、上下文迭代重构与强化学习优化，实现复杂查询的闭环执行，为开发者提供可落地的工程化参考。

首要环节是任务树的动态拆解与初始化规划。DeepResearch 并非被动响应查询，而是主动将模糊、宏大的用户指令（例如“分析新能源汽车供应链的瓶颈”）转化为一棵可执行的任务树。这一过程由其内置的语义拆解算法驱动，通常基于蒙特卡洛树搜索（MCTS）或类似的启发式算法，自动生成包含多个层级和依赖关系的子任务节点。例如，初始任务树可能包含“检索近五年锂电池原料价格趋势”、“分析主要港口吞吐量数据”、“对比中美补贴政策差异”等并行或串行子任务。每个节点不仅定义了目标，还预置了执行策略，如调用特定 API（Wind 数据、Google Scholar）、启动 Python 计算脚本或访问特定网页。这种结构化的任务清单，为后续的多跳推理提供了清晰的路线图，确保了研究过程的系统性与可追溯性。

然而，真正的智能体现在实时路径调整与资源重分配能力上。在执行过程中，DeepResearch 代理并非僵化地遵循初始计划。它会持续监控中间结果的质量与相关性，并根据反馈动态调整后续路径。例如，当在“检索锂电池原料”子任务中发现钴价数据异常波动时，代理会立即提升“分析钴供应链风险”这一衍生子任务的优先级，并可能临时增加对刚果（金）出口政策或期货市场的检索深度。这种调整由其强化学习框架（如 DAPO 算法）驱动，该算法通过动态采样机制评估不同路径的潜在收益与成本，实时更新任务优先级矩阵。权重系数的调整（如从 0.3 提升至 0.7）直接影响了计算资源（如 API 调用次数、模型推理步数）的倾斜，确保有限的资源被投入到信息增益最高的路径上，从而避免了无效探索与资源浪费。

面对长周期、高复杂度的任务，标准的 ReAct 模式（思考-行动-观察）容易因上下文信息线性累加而导致“认知空间窒息”。DeepResearch 的应对策略是启用Heavy Mode 的迭代式上下文管理。在此模式下，庞大的研究任务被分解为一系列离散的“研究轮次”。在每一轮开始时，代理并非继承全部历史上下文，而是仅从上一轮的海量信息中提炼出最核心的结论与关键发现，构建一个全新的、高度精简的工作空间。这个过程类似于人类研究员撰写阶段性报告，它强制进行信息压缩与噪声过滤。随后，代理在这个专注的空间内进行新一轮的深度分析，并将新发现整合进一个不断演化的“核心报告”中。最后，代理决策是继续下一轮信息收集，还是基于当前报告给出最终答案。这种“综合-重构”的迭代循环，有效隔离了历史噪声，保持了每一轮推理的清晰焦点，是其能处理博士级跨学科难题的关键所在。

最终，所有这些动态规划能力的基石是其合成数据驱动的训练链路与强化学习优化。DeepResearch 的卓越表现并非偶然，而是源于一套贯穿预训练与后训练阶段的自动化数据合成体系。在预训练阶段，通过 Agentic CPT 方法，利用开放世界知识库生成海量的“问题-动作-答案”轨迹，教会模型“如何使用知识”而非仅仅“记住知识”。在后训练阶段，更复杂的 WebSailor-V2 等框架通过策略性地隐藏关键信息、建模难度原子操作，生成了大量需要多跳推理的“博士级”难题。正是在这些高质量合成数据上，通过 DAPO 等强化学习算法进行的持续优化，才使得模型具备了在真实环境中动态规划、评估路径价值并做出最优决策的能力。正如官方技术博客所强调，Heavy Mode 通过 test-time scaling 策略，正是为了“充分挖掘模型的性能上限”，而这一上限的根基，正是其强大的、数据驱动的动态规划内核。对于开发者而言，理解并借鉴这一从数据合成到路径优化的完整闭环，是构建下一代高效研究代理的关键所在。