Deep Research：Google 对 AI 搜索的正式回应
2025 年初，Google 在 Gemini Advanced 中推出 Deep Research 功能。这不是简单的搜索增强，而是一个能自主规划研究路径、多步检索、综合信息的 AI 研究助手。
核心功能：多步搜索规划
Deep Research 的工作流程分为三个阶段：
阶段一：研究规划 输入一个研究问题后，Gemini 首先生成一个多步研究计划，列出要搜索的子问题、搜索顺序和预期信息类型。用户可以审查和修改这个计划后再执行。
例如输入「分析 2025 年中国新能源汽车出口趋势」：
| 步骤 | 搜索子问题 | 预期信息 |
|---|---|---|
| 1 | 2025 年中国新能源汽车出口数据 | 统计数据 |
| 2 | 主要出口目的地国家分布 | 市场分析 |
| 3 | 头部车企出口策略对比 | 企业动态 |
| 4 | 目标市场政策环境 | 政策法规 |
| 5 | 供应链与关税影响分析 | 行业报告 |
这个规划能力是 Deep Research 区别于普通搜索的关键。它不是简单地把你的一句话扔给搜索引擎，而是拆解成结构化的研究路径。
阶段二：多步检索执行 Gemini 按计划逐步执行搜索，每一步的搜索结果会影响后续搜索的方向。如果第三步发现比亚迪的出口策略与预期不同，第四步可能会调整搜索方向，深入追踪这个发现。
阶段三：信息综合与报告生成 所有搜索完成后，Gemini 将收集到的信息综合成一份结构化研究报告，包含执行摘要、分章节详细分析、数据表格和引用来源列表。
信息综合质量实测
用三个不同领域的问题测试 Deep Research 的信息综合质量：
测试一：技术趋势类 问题：「2025 年大语言模型推理优化的主要技术方向」
报告质量：★★★★☆
- 准确覆盖了量化、蒸馏、KV Cache 优化、推测解码等主要方向
- 引用了 arxiv 论文和技术博客共 12 篇
- 技术细节准确度较高，未发现明显错误
- 缺点：对最新进展（2025 年 6 月后的论文）覆盖不全
测试二：市场分析类 问题：「东南亚电商市场竞争格局分析」
报告质量：★★★★☆
- 正确识别了 Shopee、Lazada、TikTok Shop 三大玩家
- 包含市场份额数据，但部分数据来源日期标注不清
- 引用了 15 个来源，包括新闻报道和行业报告
- 缺点：缺乏对本土小平台的覆盖
测试三：学术研究类 问题：「阿尔茨海默症早期诊断的血液生物标志物研究进展」
报告质量：★★★☆☆
- 覆盖了 p-tau217、NfL、GFAP 等主要标志物
- 但对研究方法的描述较浅，缺乏关键临床试验数据
- 引用 8 篇论文，但有几篇是 2023 年的，不够新
- 缺点：学术深度不足，更像是科普综述
引用系统评价
Deep Research 的引用系统是其重要优势：
- 来源多样性：每份报告通常引用 10-20 个来源，包括新闻、报告、论文、官方数据
- 可追溯性：报告中每个关键论断都有对应的引用编号，点击可查看来源原文
- 来源质量过滤：优先引用权威来源（政府数据、同行评审论文、知名机构报告）
但存在一个系统性问题：Google 搜索的排序偏见直接传递到 Deep Research。排名靠前的搜索结果更容易被引用，即使它们不是最权威的来源。
与 Perplexity Pro Search 对比
| 维度 | Gemini Deep Research | Perplexity Pro Search |
|---|---|---|
| 研究规划 | 显式生成计划，可修改 | 隐式规划，用户不可见 |
| 搜索深度 | 5-15 步多轮搜索 | 3-8 步多轮搜索 |
| 报告形式 | 结构化长报告（2000-5000 字） | 问答式+简要综述（500-1500 字） |
| 引用质量 | 多源交叉验证 | 逐句引用标注 |
| 响应速度 | 慢（2-5 分钟） | 快（30-90 秒） |
| 交互性 | 低（计划确认后全自动） | 高（可中途追问） |
| 搜索引擎 | Google 搜索 | 自建索引+Bing |
| 适合场景 | 深度研究、报告撰写 | 快速问答、事实核查 |
两者定位不同：Deep Research 适合需要完整报告的深度研究场景，Perplexity 适合需要快速获得带引用答案的即时查询场景。
适用场景分析
推荐使用 Deep Research 的场景：
- 行业研究：需要全面了解一个行业的现状和趋势
- 竞品分析：需要收集多个竞争对手的信息并综合对比
- 技术调研：需要梳理某个技术领域的发展脉络
- 学术预研：在正式文献综述前的快速领域扫描
不推荐使用的场景：
- 简单事实查询（用普通搜索更快）
- 需要实时数据的问题（Deep Research 不访问实时数据库）
- 需要专家级深度的学术研究（覆盖面够但深度不足）
- 时间敏感的决策（等待 2-5 分钟可能太慢）
限制与问题
1. 数据时效性 Deep Research 依赖 Google 搜索索引，存在 1-7 天的索引延迟。对于快速发展的新闻事件或最新发布的数据，可能无法覆盖。
2. 付费墙穿透能力有限 学术论文、付费行业报告等需要订阅才能访问的内容，Deep Research 无法获取全文。它只能基于公开可访问的摘要和引用来分析。
3. 事实性错误的概率 在 20 次测试中，约 15% 的报告包含至少一处可验证的事实性错误。通常是日期混淆、数字偏差或因果关系误判。这些错误在长报告中尤为危险——因为整体质量高，读者容易放松警惕。
4. 语言覆盖 中文内容的搜索和综合质量明显低于英文。中文研究问题经常返回英文来源为主的报告，对中文原生内容的挖掘不够深入。
与 Google 搜索生态的协同
Deep Research 的最大优势在于它背靠 Google 的搜索基础设施。Google 搜索索引覆盖范围远超任何竞品，这意味着 Deep Research 在信息覆盖面上有天然优势。
但也正因如此，它继承了 Google 搜索的所有问题：SEO 垃圾内容污染、地区偏见、语言偏见。Deep Research 的信息过滤层能缓解部分问题，但不能根除。
结论
Gemini Deep Research 是目前最接近「AI 研究助手」概念的产品之一。它的研究规划能力和长报告生成质量在竞品中处于第一梯队，特别适合需要快速生成结构化研究报告的场景。
但它不完美——数据时效性、中文质量、事实准确性都有改进空间。作为 Gemini Advanced 订阅的一部分，它为付费用户提供了显著的价值增量。如果你经常需要做行业调研或技术分析，Deep Research 值得成为你的常规工具之一。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。