文：王智遠 | ID:Z201440

前幾天，阿里Qwen chat上線了Deep Research”（深入研究），號稱能把幾個小時的復雜任務壓縮到幾十分鐘完成，免費開放給所有用戶。

對我這種經常要搜集領域信息的人來說，很有吸引力，所以，第一時間體驗了兩天。

打開QwenChat界面，在功能選項里就能找到深度研究入口；官方說，一個智能助理系統，綜合大量在線信息來源，能規劃復雜的任務。

01

第一次使用時，我輸入一個比較寬泛的研究主題：“請幫我分析當前AI搜索產品的競爭格局和未來趨勢”。提交后，它沒有馬上開始搜索，而是先確認我的需求。

整個過程分三步：

一，系統馬上給出3個大問題，里面又包括幾個小問題。看起來它在規劃報告結構，懂得先把一個大需求拆成小任務。

第二步，Deep Research開始在互聯網上自動查找、篩選和整合相關信息。全程自動化，會理解內在邏輯。

最后一步，它根據階段性產出的成果，又進行調整，仿佛更像一個兼具「學習」和「適應」能力的智能體。

大概10分鐘，一份關于「當前AI搜索產品的競爭格局和未來趨勢」的研究報告就生成；整體報告結構清晰、分點闡述、內容全面，還附帶引用鏈接；雖然是AI生成，但可讀性還蠻高。

不過，有優勢，也有劣勢。劣勢是什么呢？

和其他深度研究類產品一樣，現在大家都喜歡卷誰研究的報告比較長；就好像給它個主題，它能一直寫，感覺在挑戰系統最大化輸入能力。

報告雖然長，但質量跟不上，因為字數多了，真正有用的內容反而沒多少。

比如，一個一萬字的報告，我看了下，可圈可點部分也就那么3000字。剩下了要么很純理論，要么是枯燥無味的書面語，讀起來費勁。

還有第三個問題，它給人一種“看似正確又不準確”的幻覺。它寫的東西看起來有道理，但不知道到底準不準；能把諸多文字放在一起，讀著還挺順，但讀著讀著，又覺得哪里不對勁。

再提一點的話，宏觀敘事，它會把很多內容寫的寬泛，但又沒辦法深入具體細節，像在講一個很大的故事，只是簡單地勾勒了一個輪廓，但沒有把情節展開講清楚。

這兩天，我一直在想，Qwen的Deep Research功能，到底適合誰用？大概適合三種人：

第一是，普通人做生活決策。

你想給孩子報個夏令營，但網上信息太多，挑花眼；Deep Research能幫你一下子找到所有機構的信息：哪家口碑好、價格怎么樣、課程內容是啥，省得你自己一個個翻了。

然后是，寫東西的人，尤其偏文學、哲學方向的。

這類內容不像研報，不要那么多數據支撐；Deep Research就很有用，你可以讓它幫你查資料、找靈感、整理思路，寫起來輕松不少。

第三類是，學生和研究者。你要做一個課題，查文獻、列提綱、寫綜述，很費時間；可以讓它幫你快速收集資料、分類整理，輔助你搭框架，整個過程快不少。

02

那么，到底是怎么做到的？它的底層邏輯是什么？

可能是這樣：

先在網上搜資料，挑一挑、排個序，把真正有用信息留下來。這一步跟我們去網上查東西差不多，但它做得更快、更準。

然后，它會調用很多外部知識庫，比如：維基百科、學術論文、甚至一些企業內部的數據系統，這些知識庫像它背后的大腦。

而且，它也不是一次就把所有內容都搞定，會在過程中不斷調整。某個方向的信息不夠完整，就會再去查一遍，或者換一種思路繼續分析。這個過程背后應該用到了強化學習的技術。

最后，它把復雜的分析結果整理成普通人也能看懂的語言，生成一份條理分明的報告。

要我一句話總結是：Qwen的Deep Research，是把搜索、推理、執行、反饋和表達這幾件事，都串聯到一起，像通用agent。

深度深度體驗兩天之后，我覺得它目前還不能完全替代Manus。

Manus每次新建一個任務后，執行過程中，有新的靈感，直接打斷它輸入進去，它就能立刻調整方向，重新搜索和檢索相關信息，這種“邊做邊改”的能力，挺像跟人合作的感覺。

另外一點感受是，以前用Manus時，它輸出內容雖然很全面，但很多時候信息量太大，反而重點不突出。

最近好像在長度控制上做了優化，也提升了內容的精準度。也就是說，它不再一味追求“寫得多”，而是更注重“寫得準”。

我昨天在它執行任務中，臨時插了一句：

夸克Deep Research和Grok 3的Deep Research有什么區別？它立刻開始查資料，整理出兩者核心差異，整個文本并不長，觀點明確、結構清晰，信息也很到位，冗余很少。

從這些細節來看，國內大廠，如果能在「任務進行中靈活調整」這個方向上多下功夫，那最終生成的報告可能更貼近真實需求，也更有實用價值。

這也暴露出來一個問題：大家對深度檢索 （deep research）理解不太一樣，最核心的區別在于：它到底是「任務助手型」，還是「信息檢索型」？

什么是任務助手型？

Manus更像能動腦的研究員，我讓你怎么拆、怎么干、怎么微調、怎么改方向、怎么加問題，它都能接得住。

Qwen現在的Deep Research也有一定的任務理解和調整能力，但整體上還更像一個“能規劃+整理信息”的工具。

它可以幫你查資料、列提綱、整理思路，但在任務拆解的精細度和互動深度上，沒達到那種「人一樣的研究流程」。

所以，有的產品說它有Deep Research功能，其實說它能搜得更深、整合得更好；而有些產品的Deep Research，真的能跟你一起“做研究”，邊做邊改，越改越準。

這兩個差別，挺關鍵，也決定你到底能不能真的用它來替代一部分人工研究的工作。

03

我還發現一個趨勢：現在國內很多面向C端用戶的模型產品，它的Deep Research功能，基本朝著Grok3的方向在走。

什么意思呢？

它們追求「信息全、輸出長」，希望把一個問題相關方方面面都覆蓋到，盡可能還原出一個完整的信息圖景；這種思路的核心是「全面性」，不是讓你只看到一角，而是盡量看到整個拼圖。

我覺得這個思路挺好。

前兩天我要寫一篇關于胖東來的文章，想查兩個數據：員工平均工資是多少？管理層又拿多少？

我用一些AI搜索工具，每家給的數據都不太一樣，很抓馬；但當我用夸克的Deep Research去查時，它不僅給出了答案，還把不同來源、不同時間段的數據都列了出來，甚至還標注了信源出處和計算方式。

最關鍵的是，它幫我過濾掉了很多明顯不靠譜的信息，把大概率準確內容整理在一起，再把有爭議、不確定的小概率信息也單獨列出來，像給一個“鳥瞰圖”，一下能看清整個問題的來龍去脈。

所以，我覺得，現在Deep Research更像一個深度檢索系統，幫你篩選、整合、呈現最有價值的部分，同時也不忽略值得留意的細節。

至于真做到任務助手那一步，又是另一種類別了。

因此，關鍵要把二者區分好。像字節跳動的「扣子空間」、百度「心響」、360「MCP萬能工具箱」、阿里的云百煉等，更像任務規劃和執行的平臺。

你需要一個能幫你「做事情」的AI，那應該關注這類任務助手型平臺；如果只是想快速了解一個問題的來龍去脈，那Deep Research功能就足夠用了。

04

看到這兒，可能還有人會問另一個問題：Deep Research 和 深度思考（Deep Thinking），到底有什么區別？

這個概念，混淆不少人。

Deep Research，從字面上理解是「深度檢索」。

你鑰匙丟了，開始滿屋子翻，這兒找找，那兒看看，還用手電筒照角落，最后總算找到了；這個過程雖然麻煩，但目標很清楚：要把關鍵的東西找出來。

這其實就是Deep Research的核心：深入挖掘能力。

而深度思考（Deep Thinking）呢？不太一樣。你找到鑰匙之后，突然想到一個問題：我怎么老丟鑰匙？這時，你就進入了“深度思考”的階段。

你可能會開始琢磨：是不是我出門太急了？是不是我應該換個帶提醒功能的包？是不是該改掉這個壞習慣？你甚至還會聯想到其他類似的問題：“我是不是什么東西都容易丟？”

這就是深度思考：不是單純找東西，在找到前、后去分析原因、反思行為、提出改進方案。

簡單講，Deep Research 是找鑰匙的過程；深度思考是你找到鑰匙后，開始想為什么會丟、以后怎么避免，一個是「找到」，一個是「想明白」。

最早在2025年2月，OpenAI推出Deep Research后，國外大廠迅速跟進。

2月14日，Perplexity也上線了自己的Deep Research功能；幾乎同時，Grok-3也集成了DeepSearch能力。

而國內當時幾乎沒什么動靜。

直到今年上半年，字節、百度、騰訊、阿里才陸續上線深度思考相關功能，看起來像在補課。但其實，這一波關于Deep Research（深度檢索）的能力，還沒有完全跟上，甚至忽略了。

我覺得，在AI研究這塊，國內外的差距還沒完全拉平，大廠們確實還需要加把勁。

因為現在信息量越來越大，反而更容易讓人困惑。很多內容由AI生成，連AI自己引用時也分不清：它到底是在引用真實資料，還是在復制另一個AI生成的內容？

我最近用騰訊元寶，點進去好多內容，根本找不到原始出處，如果你不仔細檢查，可能會誤以為這些信息都很可靠。

而真正的深度檢索，要解決這個問題，通過深層次的挖掘能力，找到真正靠譜、有價值的內容。

Qwen在這方面又往前拱了一步。

這一步看似很小，雖不完善，卻價值巨大，它比單純發一個模型更有實際價值，因為它解決了用戶真正會遇到的問題。

所以，問題來了：它會把這個能力，衍生到其他產品中嗎？這一步，對它的生態又有何影響呢？我還在進一步觀察。