第19章：Research Synthesis：如何让 Agent 写出“深度研报”
搜索（Search）只是找砖头，综合（Synthesis）才是盖房子。大多数 Agent 只能给你一堆砖头，而 Research Synthesis 能给你交付一栋别墅。
你让 Agent：“帮我研究一下 Anthropic 这家公司。”
普通 Agent 的回答：
Anthropic 是一家 AI 安全公司，由前 OpenAI 员工创立。他们的产品是 Claude。最近融了很多钱。
这回答错了吗？没错。 但这有用吗？没用。 这只是一堆碎片的堆砌，连“百度百科”的水平都不到。如果你是投资人，拿着这份报告去上会，会被老板骂死。
Research Synthesis（综合研究）模式 的目标，是让 Agent 像一个 顶级分析师 一样工作：
- 多源信源：不只看官网，还要看财报、新闻、甚至社交媒体。
- 交叉验证：A 媒体说融资 10 亿，B 媒体说 40 亿，到底信谁？
- 查漏补缺：发现“管理团队背景”这一块没查到，自动去补查，而不是直接交卷。
- 结构化输出：最终交付一份有目录、有引用、有洞察的深度报告。
01. 为什么“搜完就算”是错误的？
很多人做 RAG（检索增强生成）都有一个误区： 用户提问 -> 搜索 Top 3 结果 -> 扔给 LLM 总结 -> 结束。
这种线性流程有两个致命缺陷：
- 信息茧房：Top 3 结果往往是同质化的（比如 3 篇都是通稿）。
- 盲目自信：Agent 根本不知道自己“漏了什么”。它不知道“产品定价”没查到，它只会假装这个问题不存在。
Research Synthesis 的核心逻辑是：循环迭代。 它不追求“一次搜对”，而是追求“不断逼近全貌”。
02. 核心架构：像写论文一样做研究
我们可以把这个过程想象成 写毕业论文 的五个阶段：
阶段一：开题报告（Planning）
Agent 拿到题目“研究 Anthropic”，首先生成一个 研究大纲：
- 维度 A：公司概况（创始人、愿景）
- 维度 B：产品矩阵（Claude 3 性能、定价）
- 维度 C：资本版图（融资额、投资方）
- 维度 D：风险分析（监管压力、人才流失）
阶段二：分头行动（Parallel Execution）
编排器（Orchestrator）派出 4 个 Researcher Agent，分别去查这 4 个维度。
- Agent A 去官网查概况。
- Agent B 去 TechCrunch 查融资。
- Agent C 去 GitHub 和 HuggingFace 查技术评价。
阶段三：拼图与缺口识别（Coverage Evaluation）
这是最关键的一步。 Agent 把找回来的碎片拼在一起，然后自我审视： “拼图完整了吗？”
- 现状：概况有了，融资有了。
- 缺口：产品定价没找到，团队背景太简略。
- 决策：不能交卷。
阶段四：定向补全（Iterative Filling）
针对缺口，发起第二轮定向搜索：
- “搜索 Anthropic Claude 3 API pricing”
- “搜索 Dario Amodei 之前的论文”
阶段五：终稿合成（Synthesis）
当覆盖率达标（比如 > 80%），或者达到最大轮次，进入最后一步：
- 去重：把重复的融资新闻删掉。
- 冲突解决：如果数据打架，标注“据 X 报道是 A，据 Y 报道是 B”。
- 格式化：生成 Markdown 报告，并在每一处事实后面加上
[1]这样的引用角标。
03. 关键技术点：覆盖率评估器（The Grader）
如何判断“查够了没”？我们需要一个 评估器（Evaluator） 。
这不是靠感觉，而是靠 Prompt Engineering + 确定性规则。
# 伪代码：覆盖率评估逻辑
def evaluate_coverage(current_report, required_dimensions):
prompt = f"""
目标维度：{required_dimensions}
当前报告内容：{current_report}
请评估：
1. 每个维度的覆盖程度（0-1分）。
2. 识别出具体的“关键缺口”（Critical Gaps）。
3. 如果报告里全是“未找到相关信息”，请打低分。
"""
score, gaps = llm.evaluate(prompt)
# 确定性护栏（Guardrails）
if iteration > MAX_ITERATION:
return "强制结束" # 防止死循环烧钱
if score < 0.5:
return "继续查"
if has_critical_gaps(gaps):
return "定向补查"
return "通过"
经验之谈： 最容易出的 Bug 是 “幻觉覆盖” 。 Agent 会说：“我查了产品定价，结果是未公开。” 如果不加干预，评估器可能会觉得“查了”就是“覆盖了”。必须明确告诉评估器： “承认不知道”不等于“覆盖了信息” 。
04. 数据清洗：实体过滤器（Entity Filter）
在搜“Anthropic”时，搜索引擎可能会返回：
- “OpenAI 发布了 Sora”（竞品新闻，干扰项）
- “人类学（Anthropology）的研究进展”（关键词撞车，噪音）
如果把这些垃圾塞进 Context，报告质量会大打折扣。 我们需要一个 实体过滤器：
- 白名单机制：优先保留
anthropic.com、crunchbase.com等权威域名的来源。 - 相关性打分：计算搜索结果摘要与“Anthropic”这个实体的语义相似度，低于 0.3 的直接丢弃。
05. 输出标准：没有引用就是耍流氓
在专业领域，可信度（Trustworthiness） 比 流利度（Fluency） 更重要。 Research Synthesis 模式要求输出必须包含 内联引用（Inline Citations） 。
错误示范：
Anthropic 估值 180 亿。
正确示范：
截至 2024 年初，Anthropic 完成了新一轮融资，估值达到 184 亿美元 [1] 。其主要投资方包括 Amazon 和 Google [2] 。
Sources: [1] New York Times: Anthropic raises $4B... [2] Crunchbase Profile...
这不仅是为了好看，更是为了 免责 和 验证。用户可以点击链接去确认真伪。
总结
Research Synthesis 是 Agent 高级推理能力的集大成者。
- 它用 Planning 拆解维度。
- 它用 Parallel Execution 并行搜集。
- 它用 Reflection 评估覆盖率。
- 它用 Iterative Loop 查漏补缺。
它是目前最接近 “人类分析师” 的工作流。
Part 6（高级推理模式）完结。
我们学习了：
- ToT：在迷宫中找路。
- Debate：在冲突中找真理。
- Research Synthesis：在海量信息中找全貌。
到现在为止，我们在 逻辑层面 已经无懈可击了。 但是，要把这一套复杂的系统搬到 生产环境（Production） ，我们还需要解决最后一公里的问题：性能、并发、部署、监控。
Part 7：生产架构（The Production Architecture） 正式开启。 下一章，我们将跳出具体的 Agent 逻辑，从系统架构师的视角，聊聊 Go/Rust/Python 的三层架构设计 —— 怎么让你的 Python Agent 跑在高性能的 Go 甚至 Rust 基础设施上？
第 20 章见。
