千笔-AIWritePaper · https://www.aiwritepaper.comDeep Research 类功能把「一次问答」拉成多步智能体流程先追问范围再迭代检索再评价来源最后写成带引用的长文。广搜与初综合确实更快可选型若停在「比普通聊天更少胡说一点」就会把初稿加速误当成纳入与引用终裁。本文依据 University of Mary Washington 频道发布的AI Tools Webinar: Deep Research2025-10-02约 48 分钟Center for AI and the Liberal Arts 赞助系列整理。讲者关于工作流步骤、平台耗时差异以及厂商公开的误差率口述均未经第三方核实。实验部分用 15 条虚构迷你检索任务对照「人工检索清单」与「伪 Deep Research 输出」不是讲者课堂演示的原始日志也不代表任何商业产品的真实 API 结果_w/deep-research-gate/。图上排为讲者描述的 Deep Research 步骤中排为 15 条任务的能用一致与假放行底部为选型终裁分层。目标说明读完你应能独立完成四件事。说清 Deep Research 与普通聊天检索的差别多步计划、迭代搜索、来源评价、带链接综合。把能力拆成「能加速广搜/提纲」与「必须人工终裁」两层。在 15 条迷你任务上复跑看清假 DOI、题名漂移、过时综述冒充最新等假放行。产出选型终裁表与验收 CSV终裁列写清人类必做与失败含义。视频要点讲者原话数字未经第三方核实讲者把 Deep Research 定义为平台上的智能体工作流提示进入后系统常先追问受众与范围再做研究计划接着多轮定向检索并按中间结果改策略再按提示约束做来源评价最后综合成自然语言并附上可回点的引用。他强调这与「只靠训练记忆生成」的早期聊天不同计算更重耗时从约数分钟到数十分钟不等课堂例子里 Perplexity 偏快Claude 某次超过一小时。环节视频描述讲者给出的数字或边界工作流问题分析 → 研究计划 → 迭代检索 → 来源评价 → 综合 引用平台实现细节不完全相同耗时深度查询更耗算力与时间Perplexity 常见数分钟其他可达 10-30 分钟或更久误差语境对照人类认知差错文献与厂商公开材料人类在疲劳等条件下差错可很高厂商材料中早期模型「至少一处错误」的响应约 20%-22%带 thinking 的更新模型口述约 4.8%误差类型听众追问「漏检算不算」讲者理解该材料主要计输出侧幻觉/错引漏检重要文献属遗漏不在该口径错引形态题名对但链接错、数据点表述偏仍须人工打开核对平台Gemini / OpenAI / Perplexity / Claude / Copilot 等能力相近Perplexity 更快、深度常弱一些定位降低错误是开发动机之一仍有幻觉要对照来源核验讲者反复留下的失败含义误差率下降不等于报告可直接进系统综述「带引用」不等于 DOI、链接、发表状态与文献类型都对漏检关键研究可以不进某些厂商口径的「错误率」。选型文案若只写「更准」会被这几条边界打脸。实验15 条迷你任务上的人工清单 vs 伪 Deep Research每条任务种植一类检索终裁缺陷假 DOI、题名漂移、过时综述冒充最新、链接错配、漏检基准、新闻当同行评审、预印本当已发表、作者年错配、重复计数并保留 3 条「广搜题名/目录提纲」作为能用层对照。人工金标准写清应如何判定伪 Deep Research 用「看起来完整的错误放行」模拟初综合报告。输出原样T01 缺陷假DOI 一致MISMATCH 层不能用-引用核验终裁 → 人类必做 T02 缺陷假DOI 一致MISMATCH 层不能用-引用核验终裁 → 人类必做 T03 缺陷题名漂移 一致MISMATCH 层不能用-纳入合并终裁 → 人类必做 T04 缺陷题名漂移 一致MISMATCH 层不能用-纳入合并终裁 → 人类必做 T05 缺陷过时综述冒充最新 一致MISMATCH 层不能用-时效与类型终裁 → 人类必做 T06 缺陷过时综述冒充最新 一致MISMATCH 层不能用-时效与类型终裁 → 人类必做 T07 缺陷正常可加速 一致ok 层能用-广搜/结构初稿 → 人类抽检 T08 缺陷正常可加速 一致ok 层能用-广搜/结构初稿 → 人类抽检 T09 缺陷引用链接错配 一致MISMATCH 层不能用-引用核验终裁 → 人类必做 T10 缺陷漏检关键研究 一致MISMATCH 层不能用-覆盖终裁 → 人类必做 T11 缺陷把新闻当同行评审 一致MISMATCH 层不能用-文献类型终裁 → 人类必做 T12 缺陷预印本当已发表 一致MISMATCH 层不能用-发表状态终裁 → 人类必做 T13 缺陷正常可加速 一致ok 层能用-广搜/结构初稿 → 人类抽检 T14 缺陷作者年错配 一致MISMATCH 层不能用-引用核验终裁 → 人类必做 T15 缺陷重复计入同一研究 一致MISMATCH 层不能用-研究计数终裁 → 人类必做 合计15 能用层一致3/3 假放行(MISMATCH)12 能用层任务3 人类必做层12 选型终裁: 广搜题名/目录提纲可加速 | 假DOI·题名漂移·过时综述冒充最新·… 必须人工终裁 | 讲者误差率数字未经本脚本核实读法能用层 3/3题名列表与已知 PDF 目录提纲可以和人工清单对齐适合当广搜与结构初稿加速器仍要抽检。假放行 12/12 种植缺陷伪报告都能「写全引用、写完段落」但 DOI 无效、题名漂移被合并、2019 综述被标成 2024 最新、题名配错 DOI、漏掉基准研究、新闻冒充同行评审、预印本升级成正式刊、作者年错、同一试验计三次。人类必做 12/15选型若宣传「自动完成系统检索终裁」会被这 12 条打脸。与讲者边界同向输出侧可以「像样」遗漏与错配仍要人审本实验故意加重错配与假放行用来压「完整报告正确证据」的幻觉。能用 / 不能用分层验收层环节判定依据失败含义能用广搜题名列表、已知材料目录提纲加速需抽检T07/T08/T13 与人工一致关键词过宽仍可能漏基准见 T10能用初综合草稿带待核引用加速起草讲者工作流描述把草稿当终稿→错引进正文不能用DOI / 链接 / 作者年三角核对人工终裁T01/T02/T09/T14 假放行错引进入参考文献表不能用题名漂移合并、同一试验多报告计数人工终裁T03/T04/T15效应被重复计算或张冠李戴不能用「最新综述」时效与文献类型人工终裁T05/T06/T11/T12过时或非同行评审证据主导叙事不能用覆盖是否含基准研究人工终裁T10讲者称漏检可不计某类误差率「全面」自评不可信选型终裁表可抄走能力宣传是否采纳人类必做失败含义比普通聊天更会多轮检索可作广搜加速保存检索式与题名导出抽检仍可能漏关键研究自动生成带引用长文仅作初稿逐条打开引用题名对链接错、假 DOI自动判断纳入/排除不采纳为终裁人类按协议纳排题名漂移合并、重复计数自动宣布「最新系统综述」不采纳核出版年与综述类型过时综述主导结论误差率已降到个位数作参考不替代验收对照本馆任务集复测口径可能不含漏检常见误判「有引用列表就等于可引用」T01/T09 显示假 DOI 与错配链接都能出现在像样报告里。「厂商误差率很低可跳过抽检」讲者已说明仍有幻觉且漏检可能不在该口径。「Deep Research 跑得越久越可信」耗时反映迭代与负载不证明纳排正确。「和文献筛选工具选型是同一篇文章」本文管 Deep Research 素养与引用/时效终裁不展开筛选器产品对照。与讲者课堂演示的对齐方式讲者现场对比了多家平台的深度报告长短与结构有的更快、偏短有的更长、带分节。选型时不要用「哪家文笔更好」当终裁指标。把同一条探针查询例如「某主题 2024 年以后的系统综述」丢给候选工具只比较三件事是否捏造出版年、引用能否打开、是否漏掉你预置的基准文献。耗时与文笔留作体验分不进能用/不能用硬门。若机构统一提供 Copilot 或 Gemini 额度仍要在本地维护tasks.csv同类探针厂商升级模型后复跑防止「上月能用层、本月开始假放行」不被发现。人类必做的最小动作清单打开报告中的每一条拟用引用核对题名、作者、年、DOI 或稳定链接。对声称「最新/系统综述/已发表」的句子回出版页面看类型与日期。用基准研究必检表对照报告缺一条就记覆盖失败。同一试验的多篇会议/期刊报告合并计数后再进证据表。把检索式、运行日期与原始报告文件名写进方法附录。五步做完Deep Research 才从「生成器」回到「助理」。少做第 1 或第 3 步T01 与 T10 类事故会直接进稿。验收清单广搜输出必须导出题名清单抽检回库。每条拟引用文献完成 DOI/链接/作者年打开核对。「最新」「系统综述」「已发表」三类标签有人工证据。基准研究必检表存在且 Deep Research 报告对照过。CI 跑deep_research_gate.py能用层保持一致假放行样本可复现。当天 30 分钟落地5 分钟选定 1 个 Deep Research 入口固定保存原始报告与引用列表。10 分钟用本目录tasks.csv思路列 10 条本学科「必杀」探针假 DOI、旧综述、基准漏检。10 分钟对真实报告抽 5 条引用做三角核对记下假放行类型。5 分钟更新选型终裁表哪些步骤可加速哪些步骤写死「人类必做」。踩坑把课堂演示的漂亮长文直接贴进开题或 Related Work。只核对第一页引用附录里的二次引用放行。用「全面检索」作方法句却拿不出检索式与日期。看见题名相似就合并研究不做作者与注册号核对。把预印本、新闻稿、博客与期刊混进同一证据等级。总结Deep Research 类工具适合加速广搜与初综合多步计划、迭代检索、带引用成文是讲者划出的能力边界。它不能自动完成纳入终裁、DOI 真伪、题名合并、时效与文献类型判定。15 条虚构任务里能用层 3 条可对齐人工清单12 条种植缺陷全部假放行。选型终裁表应写清人类必做与失败含义并在升级工具时复跑同一份 CSV。讲者口述的误差率数字未经本实验核实以你学科的探针集为准。检索验收表与禁区归档可用千笔-AIWritePaper 整理分层骨架与脚本不依赖产品名。