node-DeepResearch (jina)
node-DeepResearch
https://github.com/jina-ai/node-DeepResearch
Keep searching, reading webpages, reasoning until an answer is found (or the token budget is exceeded). Useful for deeply investigating a query.
Important
Unlike OpenAI/Gemini/Perplexity's "Deep Research", we focus solely on finding the right answers via our iterative process. We don't optimize for long-form articles, that's a completely different problem – so if you need quick, concise answers from deep search, you're in the right place. If you're looking for AI-generated long reports like OpenAI/Gemini/Perplexity does, this isn't for you.
Whether you like this implementation or not, I highly recommend you to read DeepSearch/DeepResearch implementation guide I wrote, which gives you a gentle intro to this topic.
https://jina.ai/news/a-practical-guide-to-implementing-deepsearch-deepresearch
什么是 Deep Search？
DeepSearch 通过搜索、阅读和推理的迭代循环运行，直到找到最优答案。搜索操作利用搜索引擎探索互联网，而阅读操作详细分析特定网页（例如 Jina Reader）。推理操作评估当前状态，并决定是否将原始问题分解为更小的子问题或尝试不同的搜索策略。
DeepSearch - 持续搜索、阅读网页、推理，直到找到答案（或超出 token 预算）。
虽然网上存在各种定义，但在开发 node-deepresearch 项目时，我们遵循了这种直接的方法。实现非常简单——其核心是一个主 while 循环，带有 switch-case 逻辑来指导下一步操作。
与 2024 年的 RAG 系统不同，后者通常只运行一次搜索-生成过程，DeepSearch 则通过管道执行多次迭代，需要明确的停止条件。这些条件可以基于 token 使用限制或失败尝试的次数。
在 search.jina.ai 尝试 deep search，观察 <thinking> 中的内容，看看你是否能发现循环发生的位置
看待 DeepSearch 的另一个角度是将其视为配备了各种网络工具（如搜索器和阅读器）的 LLM 代理。该代理通过分析当前观察和过去的行动来决定下一步——决定是提供答案还是继续探索网络。这创建了一个状态机架构，其中 LLM 控制状态之间的转换。在每个决策点，你有两种方法：你可以精心设计提示词让标准生成模型产生特定操作，或者利用像 Deepseek-r1 这样的专门推理模型来自然地推导出下一步操作。然而，即使使用 r1，你也需要定期中断其生成过程，将工具输出（例如搜索结果、网页内容）注入上下文中，并提示它继续其推理过程。
最终，这些只是实现细节——无论你是精心设计提示词还是直接使用推理模型，它们都符合 DeepSearch 的核心设计原则：搜索、阅读和推理的持续循环。
那么什么是 DeepResearch？
DeepResearch 在 DeepSearch 的基础上增加了生成长篇研究报告的结构化框架。它通常从创建目录开始，然后系统地将 DeepSearch 应用于每个所需部分——从引言到相关工作和方法论，一直到结论。每个部分都是通过将特定研究问题输入 DeepSearch 来生成的。最后阶段是将所有部分整合到单个提示中，以提高整体叙述的连贯性。
DeepSearch 作为 DeepResearch 的基础构建块。通过 DeepSearch 迭代构建每个章节，然后在生成最终长报告前改进整体连贯性。
在我们 2024 年的"Research"项目中，我们执行了多次连贯性改进，每次迭代都会考虑所有其他章节。然而，随着当今 LLM 上下文窗口显著增大，这种方法似乎显得多余——单次连贯性修订就足够了。
0:00
我们 2024 年夏季的"Research"项目专注于使用"渐进式"方法生成长报告。它首先通过 sync 创建目录，然后 async 并行生成所有章节。最后通过 async 渐进式修订每个章节，每次修订都会考虑所有其他章节的内容。视频中的查询是 "Competitor analysis of Jina AI"。
DeepSearch vs DeepResearch
虽然很多人经常将 DeepSearch 和 DeepResearch 混为一谈，但在我们看来，它们解决的是完全不同的问题。DeepSearch 作为一个原子构建块，是 DeepResearch 所依赖的核心组件。另一方面，DeepResearch 专注于制作高质量、可读性强的长篇研究报告，这涉及一系列不同的要求：通过图表和表格来整合有效的可视化内容，用适当的章节标题来组织内容，确保子章节之间的逻辑流畅，在整个文档中保持术语一致性，消除章节之间的冗余，制作连接前后内容的流畅过渡。这些元素与核心搜索功能基本无关，这就是为什么我们发现 DeepSearch 作为公司重点更有意思。
最后，下表总结了 DeepSearch 和 DeepResearch 之间的差异。值得注意的是，这两个系统都从长上下文和推理模型中获益良多。这可能看起来有些反直觉，特别是对 DeepSearch 而言——虽然 DeepResearch 需要长上下文能力（因为它产生长报告）是显而易见的。原因在于 DeepSearch 必须存储先前的搜索尝试和网页内容以做出关于下一步的明智决定，这使得长上下文窗口对其有效实现同样至关重要。
| DeepSearch | DeepResearch | |
|---|---|---|
| Problem Addressed | Information accuracy and completeness through iterative search | Content organization, coherence, and readability at document scale |
| Final Presentation | Concise answer with URLs as references | A long structured report with multiple sections, charts, tables and references |
| Core Complexity | State machine architecture with clear transition conditions; Persistence through failed attempts until resolution | Multi-level architecture managing both micro (search) and macro (document) concerns; Structural approach to managing complex information hierarchies |
| Optimization Focus | Local optimization (best next search/read action) | Global optimization (section organization, terminology consistency, transitions) |
| Limitations | Bounded by search quality and reasoning capability | Bounded by DeepSearch quality plus organizational complexity and narrative coherence challenges |
了解 DeepSearch 实现
浙公网安备 33010602011771号