Claude 的全新 Deep Research 工具在单次调用中可以处理高达 657 万个 token——这只有庞大的计算预算才能支撑。该系统并非一个单一的语言模型；它作为一个严格的 JavaScript map-reduce 流水线运行，通过分发搜索、获取数据、将观点与三个独立的验证器进行比对，最后合成报告。

为什么这种架构至关重要

大多数 AI 驱动的研究助手提供单一的“提问-回答”界面，让模型一次性生成文本和引用。Claude 的 Deep Research 则彻底颠覆了这种模式。它将任务分解为离散的、类型化的阶段，并强制模型遵守软件约束框架（harness）。设计者构建它的目的是在提供丰富且有据可查的答案的同时，将幻觉控制在范围内。这种方法源自一种自动化的漏洞挖掘框架，即先生成一个假设，然后刻意尝试去证伪它。用研究术语来说，一个观点被提出后，三个对抗性代理（adversarial agents）会在其进入最终合成阶段之前尝试将其驳回。

Map-reduce 工作流

  1. 分发搜索 (Fan-out search) – 编排器生成并行工作单元，查询一系列数据源。
  2. 获取数据 (Fetch data) – 每个工作单元提取原始片段、元数据以及任何可用的结构化信息。
  3. 对抗性验证 (Adversarial verification) – 三个独立的代理接收每一个观点，并被指示在不确定时默认判定为“驳回 (refuted)”。只有收集到足够的肯定票，观点才能存活。
  4. 合成 (Synthesis) – 存活的观点被缝合进最终的 JSON 报告中，用户可以将其渲染为叙述性文本。

约束框架内部

约束框架（harness）是一层薄薄的代码，定义了语言模型可以执行的操作。其规则表现为一组结构化任务：

  • SCOPE – 模型接收研究问题的简明描述。
  • SEARCH – 模型必须输出源标识符列表，绝不能是自由文本。
  • EXTRACT – 对于每个来源，模型返回一段支持后续任何观点的逐字引文。
  • VERDICT – 模型生成一个包含观点、支持引文和置信度评分的 JSON 对象。
  • REPORT – 最终阶段将所有经过验证的观点封装进单个文档中。

约束框架强制执行“证据绑定 (evidence binding)”：没有精确引文的观点会被自动丢弃。它还公开了“策略常量 (policy constants)”，无需更改代码即可进行调整——例如观点需要多少张肯定票、系统可以读取多少个来源，或者进入验证阶段的观点最大数量。

在提取和验证之间设有一个分流（triage）步骤。系统不会将每个观点都发送给昂贵的对抗性代理，而是根据重要性和来源质量对其进行排序，然后仅转发前 25 个。这种筛选机制防止了 token 使用量和计算成本失控。

对抗性验证的实践

验证阶段的设计刻意非常严苛。三个代理中的每一个都会收到相同的观点及其来源引文，并在指令集下运行，该指令集要求代理除非找到决定性的证据，否则必须假设观点是错误的。如果任何一个代理不确定，它就会投“驳回 (refuted)”票。观点必须收集到可配置数量的“确认 (affirmed)”票才能存活。

在非正式测试期间，对抗层捕捉到了一个将聚合指标误读为特定精确度评分的观点。模型生成了一个关于精确度的自信陈述，但来源仅报告了一个聚合指标。

该设计揭示了 AI 系统构建的哪些规律

  1. 将控制与推理分离 – 模型负责推理；约束框架负责执行流程纪律。
  2. 类型化接口减少幻觉 – 通过要求 JSON 输出和精确引文，系统消除了自由文本带来的偏差。
  3. 在昂贵的验证步骤之前过滤观点，可以降低 token 使用量和计算成本。
  4. 将外部输入视为不可信 – 每个来源引文都会由独立的代理重新检查，防止单个错误文档污染答案。

这些原则呼应了向“模型之外的模型 (model-outside-the-model)”架构转变的更广泛趋势，即由确定性代码而非概率性语言模型来处理编排、验证和资源分配。

潜在的缺点与开放性问题

该流水线的优势——其严谨性——同时也带来了挑战。

另一个争议点在于对原文引用的依赖。并非所有知识都存在于精确的措辞中；有些见解只有在综合多份文档后才会显现。

下一步关注点

Claude's Deep Research 仍处于研究阶段，但其架构预示着这样一个未来：大语言模型将被嵌入到受严格控制的工作流中，而不是任其自主决策。需要监测的关键指标包括：

  • Token 效率指标 —— 随着调度系统获得更具选择性的筛选逻辑，6.57 M token 的基准是否会缩小？
  • 延迟趋势 —— 当三个验证智能体参与其中时，系统返回完整报告的速度有多快？

核心启示

Claude's Deep Research 表明，当被限制在规范的多阶段工作流中时，语言模型可以生成值得信赖且有据可查的回答。真正的突破不在于模型的大小，而在于周围的软件系统——它迫使模型证明每一个主张，在消耗算力之前对证据进行排序，并在三个智能体达成一致之前，将每一个外部片段都视为可疑。对于任何构建 AI 驱动工具的人来说，教训是显而易见的：让模型思考，但让代码决定它能说什么。