Optimist Deep Research：一种面向自主文献研究的迭代式、状态中心智能体

大多数检索增强系统将文献搜索视为单次检索后进行摘要总结的过程。而真实的文献研究并非如此：研究者对问题的理解会随着阅读而变化，新的子问题会不断出现，证据也需要经过权衡，而不只是收集。我们提出了 Optimist Deep Research，这是一种开源智能体，将文献研究作为一个基于明确且可变研究状态的迭代式证据获取过程。研究问题会被拆分成一棵子问题树，每个子问题由搜索意图提供支持；这些搜索意图会被转化为针对 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 及互联网的来源特定查询。检索结果通过保守的四层去重层级合并为一个保留来源溯源信息的规范化文档注册表。系统通过引文滚雪球不断扩展该注册表，直至满足饱和标准；随后对文档进行筛选、排序，并以轮询方式分配给各个子问题。文档会被并行阅读，并整理到一个结构化证据存储中，其中记录了论断及其支持证据、位置、类型和强度。批评器从八个维度审查当前状态，并返回研究行动，而非二元结论：它可以新增、拆分、改写、降低优先级或关闭子问题，因此研究计划既是调查过程的输入，也是调查过程的产出。最终报告根据证据存储逐节撰写，且每条引文都能对应到一份已检索的文档。我们介绍了该系统的设计，以及用于确保语言模型流水线可审计性的确定性机制，并报告了一项案例研究：系统在约三分半钟内阅读了 237 份检索到的文档中的 28 份。我们还报告了该案例研究所暴露出的不足。