实施DeepSearch/DeepResearch的实用指南

这份指南深入探讨了2025年由谷歌和OpenAI领导的最新搜索标准DeepSearch和DeepResearch的前沿技术。它深入研究了DeepSearch系统的复杂性，该系统通过延长思考和推理过程来提高搜索准确性，以及DeepResearch，专注于生成全面的研究报告。特别值得一提的是，内容讨论了DeepSearch的独特功能，如间隙问题、查询重写和“野兽模式”来处理复杂查询。它还涉及实施的技术方面，包括使用长上下文LLM、推理模型和Jina Reader进行网络搜索能力。该指南对于那些对搜索技术的演变及其在处理深度检索和研究任务中的实际应用感兴趣的人尤为有价值。- DeepSearch是一种新的搜索标准，通过搜索、阅读和推理的循环来找到最佳答案。 - DeepSearch在2025年成为主流，Google、OpenAI等公司推出了DeepResearch版本。 - DeepSearch通过将长期思考和推理过程纳入搜索系统，实现了超出以往的检索准确性和深度。 - DeepSearch和DeepResearch解决了不同的问题，DeepSearch关注信息准确性和完整性，DeepResearch关注文档的组织、连贯性和可读性。 - DeepSearch的实现包括循环推理、查询重写、内存管理等关键技术。 - DeepSearch需要长上下文和推理模型的支持，而DeepResearch则需要更复杂的信息层次结构管理。 - DeepSearch和DeepResearch都受到了长期思考和推理模型的限制。 - DeepSearch和DeepResearch的实现需要考虑查询重写、网页内容抓取、答案评估等方面的挑战。 - DeepSearch通过强制预算和进入"beast mode"来保证在预算耗尽之前提供答案。 - DeepSearch的实现需要长上下文的LLM和查询扩展模型的支持。 - DeepSearch的实现中使用了Jina Reader API进行网页内容抓取。 - DeepSearch的实现中使用了查询重写和查询去重的技术。 - DeepSearch的实现中需要有效地管理代理的内存。 - DeepSearch的实现中需要将答案生成和评估分开进行。 - DeepSearch的实现中需要考虑多语言和长上下文的支持。 - DeepSearch的实现中使用了jina-embeddings-v3和jina-reranker-v2-base-multilingual等模型。