Deep Research（深度研究系统）
Deep Research 是多智能体编排（orchestrator-workers）在研究场景的典型应用：Lead Agent 分解研究问题、并行 fan-out 多个子 Agent 从不同角度检索/抓取、独立验证 Agent 对 claim 做交叉核验，最终聚合为带引用的报告。本页综合本批次来源的研究相关模式，并衔接 wiki 既有的 Claude Deep Research 架构。
架构模式：Orchestrator-Workers + 对抗式验证
Deep Research 是 Multi-Agent-Systems 中 orchestrator-workers 模式的具体化（设计模式分析、实用指南）：
Lead Agent（分解问题）
├─→ 子 Agent A（角度 1：检索 + 抓取）
├─→ 子 Agent B（角度 2：检索 + 抓取） ← 并行 fan-out
└─→ 子 Agent C（角度 N：...）
↓
验证 Agent（cross-check / survival vote，多源一致性筛弱结论）
↓
聚合 → 带引用的研究报告
Claude 的实现（衔接 wiki 既有 Claude Deep Research Architecture）：
- Claude.ai Research：Lead Agent 动态调度 + Citation Agent。
- Claude Code
/deep-research：偏”代码化编排”——先写 workflow script，后台 runtime 管循环/分支/状态，状态外置不挤主上下文，支持大规模 fan-out 与对抗式验证，/workflows可观测。
为什么 Deep Research 是多智能体的”好场景”
研究任务天然满足多智能体的适用条件（实用指南）：
- 可清晰分解：一个研究问题可拆为多个独立检索角度。
- 子任务相对独立：各角度检索互不依赖，适合并行加速。
- 需对抗式验证：独立 Agent 交叉核验提升结论可靠性，呼应 成对评测 的 claim 核验思想。
这正是 Anthropic 多智能体研究系统取得 +90.2% 的场景类型（注意：厂商内部、约 15× token 成本，见 Multi-Agent-Systems 矛盾标记）。
评测视角：科研复现与长程任务
交互式评测报告 把”科研复现与长程任务”列为前沿方向：PaperBench（复现 ICML 2024 论文，20 篇 / 8316 子任务）考察长程自主执行能力。Deep Research 类系统的评测需关注引用支持度、多源一致性、长程稳定性，而非单点答案正确率（见 LLM 评估）。
引用可溯源
Deep Research 的可信度核心在引用可溯源：每个 claim 须挂靠可核验来源，与 联网搜索评测 的 citation support rate / hallucination rate 指标体系一致。
矛盾或新想法
？ 本批次来源中，文件名含 “deep-research” 的两份（
deep-research-report.md实为 LLM-HTML 生成设计文档、skills-deep-research-report.md实为 Skills 分类研究）并非真正讨论 Deep Research 系统——命名与内容不符。本主题页主要综合多智能体编排来源 + wiki 既有 Claude Deep Research 架构，直接的 Deep Research 一手来源在本批次较稀缺，建议后续补充专门的 Deep Research 来源。