DeepAgent vs DeepResearch：两种“深度智能体”架构范式的对照分析

当 AI Agent 从”调用工具的脚本”进化到能够自主决策的系统时，一个关键的问题浮现出来：你的 Agent 应该有多大的自主权？

这个问题将 Agent 设计划分为了两种不同的路径：

• DeepAgent：完全自主的工具发现者和决策者
• DeepResearch Agent：结构化的研究者，遵循预定义的研究流程

这不仅仅是技术实现的差异，更是两种不同的 AI 哲学。让我们深入探讨。

从传统到深度：理解 Agent 的进化

在深入对比之前，我们需要先厘清一个更基础的分类。根据论文《DeepAgent: A General Reasoning Agent with Scalable Toolsets》，Agent 的发展可以分为三个阶段：

传统 Agent 工作流

用户提问 → 选择工具 → 执行 → 返回结果

特征：

• 预定义的步骤序列
• 有限的自主权：开发者决定用哪个工具、何时用、用多少次
• 工具是固定的、预先已知的
• 记忆和长期推理能力通常很弱

这就像一个老式的自动化脚本，能完成任务，但缺乏灵活性。

DeepAgent：完全自主的智能体

DeepAgent 代表了下一代 Agent 的特征：完全自主。

目标 → 动态规划 → 工具发现 → 执行 → 评估 → 迭代 → 完成

核心特征：

1. 自主工具选择：它自己决定用哪个工具、何时使用、使用多少次
2. 工具发现能力：可以从大量工具中选择合适的，而不是局限于预定义列表
3. 长期记忆管理：通过 episodic memory、working memory、tool memory 管理交互历史
4. 推理与执行紧密集成：不是简单的”LLM 输出工具调用”的流水线

伪代码示例：

# DeepAgent - 动态决策和工具发现
agent = create_deep_agent(
    llm=llm,
    tools=[
        fetch_billing,
        analyze_usage,
        inspect_logs,
        recommend_actions,
        report_writer
    ]
)

# Agent 在运行时自主决定调用顺序
result = agent.run("帮我降低公司的云成本")

# 执行轨迹示例（动态生成）：
# PLAN -> fetch_billing()
# EVAL -> 发现异常 -> inspect_logs()
# EVAL -> 发现空闲实例 -> recommend_actions()
# FINAL -> report_writer()

DeepResearch Agent：结构化的研究者

DeepResearch Agent 是 Agent 的一个变体，专注于结构化的多步骤研究任务。

问题 → 收集 → 分析 → 综合 → 报告

核心特征：

1. 固定工具集：工具是预先已知的（web search、PDF reader、code executor等）
2. 结构化流程：遵循预定义的研究管道
3. 可重复性：工具调用顺序是预指定的，不会自发调用未知工具
4. 证据驱动：强调可验证的分析和清晰的证据链

伪代码示例：

# DeepResearch Agent - 固定的研究管道
research_agent = create_deep_research_agent(
    llm=llm,
    pipeline=[
        gather_stage(
            fetch_billing,
            fetch_inventory,
            pricing_lookup
        ),
        analyze_stage(
            statistical_analysis,
            anomaly_detection
        ),
        synthesize_stage(
            cost_models,
            prioritization
        ),
        report_stage(report_writer)
    ],
    max_depth=3
)

# 运行固定的管道
report = research_agent.run("帮我降低公司的云成本")
# 输出：带有证据、置信度评分、详细建议的报告

关键差异：自主性 vs 可控性

让我们用一个具体的场景来对比两种 Agent 的行为差异。

场景：降低公司云成本

DeepAgent 的行为模式

想象一个初级云工程师被赋予了完全访问权限（在限制范围内），被告知”降低成本”。

执行流程：

1. PLAN: 制定初步策略（获取账单摘要）
2. EVAL: 调用账单 API → 查看结果
3. ADAPT: 发现异常 → 决定获取日志
4. EVAL: 调用日志分析工具（运行时动态决定的新工具调用）
5. RE-PLAN: 重新规划 → 提出优化方案（预留实例、修改自动扩展）
6. ACTION: 生成行动项 + 简短报告

关键特点：

• 基于中间输出动态选择工具
• 灵活但难以预测和治理
• 可以处理未预见的情况

DeepResearch Agent 的行为模式

想象一位高级分析师被聘用来制作可复现的审计报告。

执行流程：

阶段 1 - GATHER（收集）
├── 获取 90 天账单数据
├── 编制实例清单
└── 查询定价信息

阶段 2 - ANALYZE（分析）
├── 比较使用量 vs 预算
├── 检测空闲/低利用率实例
└── 识别异常模式

阶段 3 - CROSS-CHECK（交叉验证）
├── 对比定价选项（预留、储蓄计划、Spot 实例）
└── 评估折扣计划

阶段 4 - REPORT（报告）
└── 生成带证据、置信度评分、逐步建议的详细报告

关键特点：

• 工具调用顺序预先指定
• 可复现、可解释的结果
• 更容易的安全控制

本质差异总结

决策风格的影响

为什么这种差异很重要？

1. 可复现性

• DeepResearch Agent 每次运行相同的输入会产生相同的步骤
• DeepAgent 可能根据中间结果采取不同的路径

2. 安全与治理

• DeepAgent 的自主性带来新的风险：
  • 数据暴露
  • 意外操作
  • 不可预测的工具调用
• DeepResearch Agent 更容易实现：
  • 沙箱隔离
  • 人工审批
  • 审计追踪

3. 责任归属

• DeepAgent：决策由 AI 做出，责任模糊
• DeepResearch Agent：流程清晰，责任明确

如何选择：Framework vs 直接使用模型 API

在构建 Agent 之前，还有一个关键的技术决策需要做出。

使用模型 API（ChatGPT、Claude、Gemini 等）

适用场景：

• 工作流简单或线性
• 清楚知道要调用哪个工具/函数
• 只需要 1-3 步推理
• 更像”智能函数调用”而非自主 Agent
• 希望完全控制内存、状态、循环和工具调用
• 追求最大效率和最小延迟

优势：

• 更低的延迟
• 完全的可见性和控制
• 更高的效率
• 更简单的基础设施

使用 Agentic 框架（LangGraph、CrewAI、OpenAI Agents SDK）

适用场景：

• 需要分支逻辑、决策或复杂工作流
• 需要长期运行的任务或自我管理的多步骤过程
• 工具需要被编排，而不仅仅是调用一次
• 需要内置的结构化状态、共享内存和行为控制
• 需要可观测性、重试、护栏或多 Agent 协调
• 计划未来进化到更深层或更自主的 Agent 行为

优势：

• 自动处理循环、状态、内存、工具路由和工作流管理
• 适合复杂系统
• 内置的可观测性和调试工具

权衡：便利性 vs 控制

生产环境的风险与治理

DeepAgent 的治理挑战

完全自主的 Agent 带来新的安全和治理风险：

1. 数据安全风险

• Agent 可能访问不该访问的数据
• 工具链组合可能暴露敏感信息
• 难以预测的数据流路径

缓解措施：

- 严格的沙箱隔离
- 工具权限细粒度控制
- 审计日志和监控
- 人工审批关键操作

2. 操作风险

• 意外的系统修改
• 级联错误
• 资源过度消耗

缓解措施：

- 操作预览和确认机制
- 资源限制和超时
- 回滚能力
- 多层验证

DeepResearch Agent 的治理优势

结构化流程天然带来更好的可控性：

优势：

• 可审计的执行路径
• 可复现的结果
• 清晰的审批点
• 易于测试和验证

适用场景：

• 金融合规审计
• 医疗数据研究
• 法律文档分析
• 任何需要严格审计追踪的场景

实用决策指南

选择 DeepAgent 当：

✅ 你需要系统自主行动（自动化、修复、运维） ✅ 任务需要动态工具组合 ✅ 场景难以预见，需要 Agent 自己决策 ✅ 可以接受一定的不确定性，追求灵活性

⚠️ 记住做好治理：

• 严格的沙箱隔离
• 完善的监控和日志
• 人工审批关键操作

选择 DeepResearch Agent 当：

✅ 你需要可复现的分析（审计、合规、深度研究） ✅ 强调证据链和可解释性 ✅ 需要清晰的审计追踪 ✅ 希望结果稳定可控

✅ 天然优势：

• 更容易测试和验证
• 更容易获得利益相关者信任
• 更容易满足合规要求

一个混合策略

很多成功的产品实际上采用了混合架构：

class HybridAgent:
    def solve(self, problem):
        # 阶段 1: 结构化研究（可控）
        research = self.research_module.analyze(problem)

        # 阶段 2: 人工审批关键决策
        if self.needs_approval(research):
            research = self.wait_for_approval(research)

        # 阶段 3: 自主执行（高效）
        if self.can_auto_execute(research):
            result = self.agent_module.execute(research.plan)
        else:
            result = self.human_execute(research.action_items)

        return result

这种模式在保持可控性的同时，也获得了自主性带来的效率提升。

结语

DeepAgent 和 DeepResearch Agent 的划分，本质上是在回答一个根本性的问题：

我们希望 AI 有多大的自主权？

这不是一个技术问题，而是一个信任和治理的问题。

关键要点回顾

DeepAgent：

• 完全自主，动态工具发现
• 灵活、强大，但难以预测
• 适合自动化、运维、修复场景
• 需要严格的治理和监控

DeepResearch Agent：

• 结构化流程，固定工具集
• 可复现、可解释、可审计
• 适合研究、审计、合规场景
• 天然更安全可控

Framework vs API：

• 简单任务 → 直接使用模型 API
• 复杂工作流 → 使用 Agentic 框架

真正的洞察

最成功的产品往往不是极端的选择，而是明智的混合：

• 用 DeepResearch Agent 做可控的研究和规划
• 用人工审批关键决策
• 用 DeepAgent 执行明确的操作

这种混合模式在保持可控性的同时，也获得了 AI 带来的效率提升。

本文基于《DeepAgent: A General Reasoning Agent with Scalable Toolsets》论文以及 Sindhuja A 的博客文章 “How to Build AI Agents That Work” 的分析总结。