autonomous-deep-research

自主深度研究（整合与进阶·元能力）。给定一个开放研究问题，agent 自主完成： 问题分解→多源检索(rag / web-fetch)→综合与交叉验证→反思覆盖度→迭代逼近答案。 对标一线大模型智能体的「深度研究」能力（如 Deep Research），且可离线/在线双模运行、 自带置信度校准与未解缺口标记。当需要对一个复杂、多侧面问题做有依据、可追溯、可迭代的研究时使用。

autonomous-deep-research —— 自主深度研究

把「提出好问题 + 检索 + 综合」熔成一条可迭代、可追溯的研究闭环。 这是目前一线大模型正重点攻关的方向，也是「强模型 vs 超级研究 agent」的分水岭。

闭环（research.py 真实实现）

1. 分解 Decompose：把主问题拆成 3–5 个可独立检索的子问题（按连词/关键概念切分）。
2. 检索 Retrieve：对每个子问题，优先调用 rag(本地知识库) 或 web-fetch(在线)； 两者皆缺时降级为「本地启发式」，并显式标记 needs_web 供下一轮补齐。
3. 综合 Synthesize：把各子答案按「主张 + 依据 + 置信度」结构聚合成研究报告。
4. 反思 Reflect：检查每个子问题是否已有依据、是否存在自相矛盾，定位覆盖空洞。
5. 迭代 Iterate：对空洞子问题进入下一轮检索（最多 max-iter 轮），逐步逼近完整答案。

使用

bash

python autonomous-deep-research/scripts/research.py \
  --question "RAG 在 agent 架构里到底解决什么问题？和纯微调大模型相比边界在哪？" \
  --out report.json --max-iter 2

输出 report.json

json

{
  "question": "...",
  "sub_questions": ["...","..."],
  "findings": [{"sub":"...","answer":"...","confidence":0.8,"needs_web":false}],
  "synthesized_answer": "结构化综合结论（含分节与依据）",
  "coverage": 0.85,
  "open_gaps": ["尚未用在线数据验证 X"],
  "next_steps": ["对 X 补一次 web-fetch 检索"]
}

自我进化

自带 learner.py（由 skill-self-improve 注入）。每次研究后把「哪类问题最难检索 / 哪类主张最易缺依据 / 迭代轮次与覆盖度提升的关系」记入 learned_patterns.json， 下一次自动调优分解粒度与检索策略。