Tongyi DeepResearch的技术报告探秘

魔搭ModelScope社区

9人浏览 · 2025-09-30 16:20:33

魔搭ModelScope社区 · 2025-09-30 16:20:33 发布

引言

阿里通义实验室悄悄（其实动静不小）发布了一个叫 Tongyi DeepResearch 的 Agent 项目。它没有开发布会，没请明星站台，甚至没发通稿——但它在 GitHub 上架当天，就登顶了“每日趋势榜”。这速度，比人类发现“咖啡因无效”后换第三杯咖啡还快。

圈内讨论随之而来。有人兴奋地复制粘贴，有人皱眉点开论文附录，还有人默默关掉网页——因为文档里出现了“后训练”、“工具调用”、“强化学习”这些词。它们像宇宙射线一样，精准穿透了部分读者的知识防护层。

笔者碰巧一直在折腾类似方向，于是决定临时客串一下“课代表”角色，试着用更轻松的方式拆解三个核心问题：

Q1: DeepResearch 包含什么，怎么使用？

Q2: DeepResearch 模型是如何被训练出来的？

此外，如大家所知，科学研究是一个前赴后继的过程，在近些年的 Agent 相关研究中，也有诸多新的创意，也有很多同行的争议，也有大家默认的共识。本文也会从“共识”，“欠共识”和“新探索”三个方面讨论：

Q3: 我该参考 DeepResearch 的哪些设计？

本文的结构与上面三个问题一一对应。不同背景的读者，可酌情选择重点章节：

👨‍💻 AI 应用开发者：推荐精读第二章。你会找到模块说明、架构等信息。适合想集成进工作流的朋友。

🧪 AI 研究人员：重点看第三章。这里讨论数据构建、训练策略——以及那些“论文里没写但实验里很关键”的细节。建议搭配咖啡与耐心服用。

👔技术管理者 / 架构师：请移步第四章。这里梳理了目前的欠共识，帮助你判断“值不值得投入”“该抄哪部分”“要不要等下一代”。

项目 GitHub 地址：

HTTPS://GitHub.com/Alibaba-NLP/DeepResearch

开源模型 Tongyi-DeepResearch-30B-A3B：

HTTPS://ModelScope.cn/models/iic/Tongyi-DeepResearch-30B-A3B/

需要声明：
因能力和知识有限，本文中涉及的知识可能有纰漏，欢迎指正（最好带上一杯咖啡☕️）。部分信息，在技术报告[2]和 ArXiv 论文[12]中，表述不完全一致，本文仅加以注明，不做澄清。本文中提到的各项目，其所有权归属各项目作者。我们只是路过解读，不是宇宙产权局。

DeepResearch 包含什么，怎么使用？

Tongyi DeepResearch 项目是 2025 年 9 月 16 日发布的开源 Web Agent 模型，实现 SOTA（最先进）性能，在 Humanity’s Last Exam （HLE）上得分 32.9、BrowseComp 上 45.3，以及 xbench-DeepSearch 上 75.0，超越 OpenAI 的 Deep Research 等专有模型。

关键的三个词

这个项目的定位，是【开源的】【高性能】【Web Agent】。让我们逐个看这三个关键词。

首先【开源的】，自 2025 年年初以来，闭源的大模型 Grok, Claude, GPT 一骑绝尘，最近 OpenAI 发布的 GPT5 也是屠杀了大量榜单，从南天门一路杀到蓬莱东路。而开源社区阵营则略显低调，自 Llama 迭代减缓之后，由 DeepSeek，Qwen 和 Mistral 等扛起大旗，OpenAI 发布了 GPT-OSS，也并未掀起太多风浪。在商业化应用开发领域，闭源模型表现出了巨大的优势。在这种背景下，高质量的开源项目，特别是 Agent 相关研究，就变得至关重要了。

其次是【高性能】，这属于常规说法。如果炼丹炼出一个“低性能”模型，大家只会默默 RM -f，然后在周报上写“模型训练有点小问题，从新开始吧”。所以，这个星球上，每一个发布的模型都自然是“高性能”的，这就是传说中的幸存者偏差，类似于能返航的飞机一定是没被击中油箱的，能跑回泉水的英雄肯定血量大于 0。

最后是【Web Agent】，其实这个概念本身是有分歧的，与之相关的有 Web-enhanced LLM（搜索增强的模型）或者是 Deep Search（比如 Perplexity AI）,或者叫 AI search（百度也推出了此功能）。从产品角度可以很多细分，从技术角度，Web Agent 至少需要具备“主动发起对 web 的请求”这个特性。我把这几类归结如下，换言之，这些是本项目的替代技术。

	Web-enhanced LLM	Deep Search/AI Search	Web Agent
例子	各个AI工具上“联网搜索”功能，比如夸克等	Jina/Perplexity AI等	Tongyi DeepResearch/OpenAI Deep Research/Gmini Deep Research/Manus/OWL
技术视角	将用户请求交给搜索引擎，返回结果拼进LLM的上下文，由LLM完成总结	一套循环流程，反复（或者多次）查询直到问题已可以被回答	LLM调用工具的方式调用搜索引擎，汇总分析结果

这个项目里有什么？

这个项目包含这样几个部分：

模型：即 DeepResearch-30B-A3B[1]，这是一个 30B 的 MoE 模型，每次激活 3B 参数。这么小的尺寸和激活参数量，保证了推理的效率。特别的，这个尺寸具备在 PC/Mac 上部署的可能，以 MacBook Pro 的 M2 为例，就可以部署 30B 的模型。
模型推理代码，由于模型采用了 Qwen3MoeForCausalLM 的架构，跟 Qwen3 模型的部署推理方式完全一致，可以参考 Qwen3 系列的模型部署，比如 Qwen3-30B-A3B-Instruct-2507[4]。可以直接使用 Vllm 和 ollama 使用本地部署，此外，ModelScope 提供了开箱即用的模型服务[3]。
实验评测代码，实验代码在项目的 GitHub 中开源[3]，采用字节跳动的 Sandbox_fusion 作为代码执行的沙箱和评测环境，可以用来重现报告中声明的实验结果。这个代码包含了一个名为 ReAct 的 AgentUse 模式。
Agent 推理代码，项目本身并未直接提供 Agent 推理代码。但因为采用了 Qwen3 底座，所以兼容 Qwen-Agent 框架。特别的，在技术报告和论文中提到的 IterResearch 模式（即 heavy 模式），并未在开源代码中提供（截止 2025-09-23）。代码[1]中提供的仍然是 ReAct 模式，这大约是由于银河系的某些量子折叠产生，你懂的。如果感兴趣，可以联系我们开发一个非官方版本的 IterResearch 模式 Agent。另外，百炼提供了一个 Agent 的体验版本[11]。

这四个部分的大致架构如下，图上的实心方块是模型，白底绿色方块是组件或者框架。黑色的方框是核心特点。

根据用途，这几个模块可以组合使用，大家如果

-想研究模型，选择 1+2+3；

-想研究 Agent，选择 3；

-想体验/开发应用，选择 4；

-想知道为什么宇宙终极问题的答案是 42，发邮件给我/编辑的邮箱，并配上一个 doge 表情。

DeepResearch 模型是如何被生产出来的？

如同大部分推理模型的训练，Tongyi DeepResearch 的模型研发，大致上包含以下三个阶段。冷知识：当一个人类，需要描述一个复杂过程，他/她往往会说：3 个阶段。你知道的，这很难解释为什么他们需要十根手指。

1、增量训练及其数据合成（包含两个 CPT 阶段）

2、监督微调及其数据合成（SFT 阶段，作为冷启动）

3、强化学习阶段（RL 阶段）

这几个阶段的串联如图所示，而其中的最左侧的 Base Model 指的就是基础预训练模型，对于此 Deep Research 项目，使用的是 Qwen3 的 30B 预训练模型：Qwen3-30B-A3B[5]。经过本章节描述的几个阶段，最终得到 DeepResearch 的模型，即 DeepResearch-30B-A3B[3]。在本章节，我们会先讨论这样设计的必要性，然后每个阶段各自介绍其关键设计。

为什么是这样三个阶段？

在详细串一下这些细节之前，我想大致先聊聊一下这个流程设计的共识与欠共识。

首先，从 21 年开始，大家都认可数据制作上花的每一分钱（和时间）都是值得的，大量研究指出高质量的数据对模型训练的效果是至关重要的。特别的，合成数据，已经成为了开源模型中最不开源的部分之一，另一个是 AI 工程师们热衷的咖啡品牌。大家注意到，开源模型提供了可以下载分发的模型，但没有提供其训练数据，所以是模型开源，而训练数据难开源。背后原因很多，笔者回头可以写一个专题讨论此部分，感兴趣的读者可以评论区告诉我。此项目中，作者团队还是很贴心的（虽然也没有提供训练数据）提供了很多的数据合成细节，和一个相关项目的数据[9]。

第二个是关于增量训练的必要性，这是比较接近共识的，但仅限于“增量训练”这个词本身。从做法上看，有的项目组会更多让模型偏向于 instruct 模式，有的则会扩充模型对一些特殊指令的遵循能力，更有甚者会在增量训练中强化 ICL。当然这些差别主要体现在损失函数设计和训练数据上。这个项目中，作者们管他们的增量训练叫做“智能体增量与训练”，这名字在银河系可以排到第三名（很可惜），第二名是“自进化跨域自适应多模态模型”，第一名太长无法显示，因为超过了本模型的上下文长度限制。额外的，为什么是“接近共识”，蚂蚁集团最近发布的 Atom-Searcher 就是一个跳过了 CPT 阶段的方案[15]。

第三个是冷启动+强化学习的必要性，随着 Deepseek 的报告，和大量类似研究的披露，从业者使用一些精心设计的冷启动数据和一个良好设计的 RL 环境，用于最后一个训练阶段，这一点也接近了共识[7] 。此外在 Websailor 的工作中，作者提到在工具场景中，纯 RL 无法使工具调用次数有效提升，而这一提升可以靠冷启动 SFT 阶段完成。[6]

让我们逐个来分析这三个阶段。

增量训练及其数据合成

在我们分析讨论这个阶段之前，我想提出一个问题：

“Agent 的增强训练（CPT）究竟需要增强什么？”

或者说，“Agent 的 CPT 与垂类模型 CPT、以及推理模型 CPT 在对 LLM 的增强上有什么不同？”

这个问题很重要，因为如果我们认为 Agent 的 CPT 就是知识的增强，那么我们应该侧重于补充对于 Agent 所使用的工具的知识；或者，如果我们认为 Agent 的 CPT 就是推理能力的增强，那也许我们应该直接基于一个推理模型，比如 OSS-GPT 作微调（而非增强训练）。

这个问题和“周五的晚高峰的交通状况还能不能更糟糕？”并称为阻碍 AI 发展的核心命题。这当然就是欠共识的一部分，这份报告[2]中的细节也许可以帮我们找到线索。

首先该项目的 CPT 的数据包含两大类：

常见的高质量 CPT 数据，比如爬虫数据，知识图谱。可预计的，这里肯定有很多高质量的私有数据，他们价值连城。但这一点与大部分的 CPT 差异性不大，可以认为是对预训练的有效补充和延续。毕竟在 LLM 的每一个训练阶段中，延续上一个阶段，是非常有效的设计。
后训练的轨迹数据，这是这个章节最关键的一个点：轨迹合成数据。我们先看一下报告中一张图：

图展示了一种合成轨迹的方式，考虑一个问题 Q，原始数据的轨迹是图上方的 Original Trajectory，从轨迹中用步骤级别展开，图上的“I have 3 solutions”,“I choose Solution[3]”等就是关键的步骤，对这些步骤，扩展为多个可能的分支。比如在”I have 3 solutions”时，分别得到三个候选的 solution，图上显示是串形得到的（也许也可以并行？）然后对于其中任何一个，往后展开（rollout）。熟悉强化学习和 AlphaGo 的朋友们对这个应该很熟悉。对于轨迹，拆分成动作数据，包含单步的规划、推理动作和多步的决策动作。这个拆分维度是很有启发性的，这三个维度可以较为全面的覆盖 Agent 对于 LLM 能力的需求。换言之，可以从这三个角度去评判“LLM 是否胜任 Agent”，也能指导各种 Agent 中 LLM 的升级迭代。

但这类似轨迹构造做法都有个两个小小的问题：构造数据的样本采纳率不高，并且非常低效。

首先，展开过程中，会产生大量无用的尝试，导致 rollout 的样本中，真正可用的高质量数据不多。其次，这个过程很慢，特别是对工具的调用环节，在代码中，作者们准备了一个多线程并行。在知乎上，有一名自称项目作者提到“一条轨迹的价格远比想象中昂贵”，也从侧面反映了采样问题对此类研究的制约。回到合成数据阶段，可以明确知道的是，该项目的作者们做了很多的探索，期待更详细的报告。

在 Tongyi DeepResearch 提出了一个新的 Agent 模式，叫做 IterResearch。和大家熟知的 ReAct 模式相比，IterResearch 有两个关键点：

良好维护的核心报告，
动态维护的工作空间。

ReAct 中，模型的上下文会快速的被工具调用的结果所占用，比如一个打开网页的工具调用，就能一次性用掉 10k+的上下文。这不仅会严重占用可怜的 LLM 上下文窗口，而且会产生严重的污染问题——模型会忘记之前的问题和分析思路。所以在 IterResearch 中，选择了将工具调用的结果所组成的工作空间动态维护，而把核心的分析思路等放在一个专门的核心报告。这种做法可以理解为是针对多步工具调用中的上下文折叠压缩，这个设计也是此项目在长周期 Agent（long-horizon）的关键设计。很可惜的是，这个 IterResearch 的代码并未随着开源，仓库中只提供了 ReAct 的代码。

部分解读者[10]推测，IterResearch 模式就是论文[12]中提到的 heavy 版本。如果成立，则可以通过论文实验得知此项工作带来的增量是巨大的，比如在 Humanity’s Last Exam 中，IterResearch 比 ReAct 要高 7.9pt，在 BrowserComp 上要高 14pt。

IterResearch 和 ReAct 在训练中，还有诸多的不同，这不仅仅体现在数据上，还体现在数据并行和采样上。项目作者并未透露 DeepResearch-30B-A3B 采用哪种方式训练。我推断有两种可能：

还存在一个 DeepResearch-30B-A3B-Heavy 并未放出，而且 DeepResearch-30B-A3B-heavy 采用了 IterResearch 方式训练。本次开源的 DeepResearch-30B-A3B 仅仅用 ReAct 方式训练。
IterResearch 和 ReAct 在训练框架中实现了兼容，目前开放的 DeepResearch-30B-A3B 也可能可以在 IterResearch 上工作。

最后，让我们回顾一下前面那个问题：“ Agent 的增强训练（CPT）究竟需要增强什么？”从这个项目中的数据合成策略上看，Agent 的 CPT 可以增强单步的规划、推理动作和多步的决策动作。注意这是一个更接近于充分，也许非必要的条件。在没有更明确的共识之前，这是一个很棒的参考答案。

监督微调及对应数据合成

这个阶段主要用作对 RL 的冷启动，在该项目的技术报告中提的不多。笔者推测原因有二：

1. 框架成熟改动不大。

2. 主要数据驱动的。

从设计上讲，这个阶段的存在，是很接近于共识的。从 DeepSeek 的论文中，冷启动存在的意义就已被阐明，无非是还有很多研究者相信，去除冷启动的之后 RL 也能达到类似的效果，比如 DeepSeek-R1-Zero。但在大量代码生成任务和数学任务中，冷启动都证明过其有效性。在 Agent 的训练中，虽不能说这是共识，但也是很自然的做法。

让我们重点聊一聊这个阶段的数据合成。这个阶段的数据，该项目引入了一种新的 web 数据合成方法 WebFrontier，有三个要点：

种子数据生成，使用网页数据，文档和电子书作为基础，首先将其清洗并处理成 chunk，利用一个模型对其生成种子 QA 对，这种做法在大部分数据合成中都存在。
迭代式复杂度升级，这里包含一个自举的过程，由一个 agent 装备工具（就是本 DeepResearch 中的四个工具：通用搜索，学术搜索，网页浏览，和代码执行），在要求此 Agent 改进问题和答案。显然这个过程是为了增加数据与 DeepResearch 场景的契合度，并且此阶段得到数据的过程并直接评估数据质量，而是尽可能用上工具。
质量控制，这个阶段是掐头去尾，即去除过于简单和过于难（可能是不正确的）样本，首先是通过一个不带工具的 Agent 去试图求解，如果问题能被解决就说明太简单了，过滤掉；然后是一个强力模型配置工具组成的 Agent 去试图求解，如果能通过则保留。对于未能求解的再经过一次人工审核，回收部分样本。

WebFrontier 是一个很有趣的数据构建方式，它采用了“种子”-“扩展”-“评估”等经典套路，而且其中扩展阶段使用本项目整体的工具集合。总体设计思路上是对场景（评测数据，工具）深度绑定的，这种类似于过拟合的绑定，带来的潜在问题是跨团队的复现与跨场景的效果下降[13]。

我注意到，在作者团队之前的工作中，从 WebWalker，WebSailor，WebSailor-v2，到 WebShaper 提出了大量数据构建方式，从网页点击，到图谱合成，再到形式化建模。这一系列工作产生的数据，都可能帮助了 DeepResearch 的训练。但在 Arxiv 论文中[12]，仅提到了 webFrontier，笔者推测是为了突出技术贡献点，毕竟之前那几个工作也都有各种的论文发表，不需要额外强调。

回到 WebFrontier，从训练角度，这种设计能很好的保证训练数据与模型推理时见到的工具的一致性，但似乎也有些小小的隐患：

工具的拓展性如何得到保证？

在本项目中，工具集合是固定的四个，的确是不需要考虑扩展使用的。但对于产业使用，或者更广泛意义上的 Agentic 应用，大家对于工具的预期并不是固定的集合。特别是随着 MCP 生态的兴起，动态的工具集合似乎是更符合产业现状的。

那么，WebFrontier 对于动态工具集合的有效性就是一个值得思考的问题了，同样，对类似的研究中，我们也许都可以加一个维度去考察模型。

强化学习

强化学习的基础优化算法选择了 GSPO[8]，注意到在报告[2]中提到的是 GRPO，在 Arxiv 提到的是 GSPO[12]。这两种在目前都比较成熟，我们重点看看 DeepResearch 的项目中，有哪些改动。

在训练策略上，将每条完整的轨迹自然的分解为多个训练样本，让每一个轮次对应一个样本，而传统的方式是每条轨迹对应一个训练样本（mono-contextual）。假设一个问题有 G 条轨迹，每条轨迹平均有 T 个轮次，那么传统方法只能得到 G 个样本，而该方法可以得到 G * T 个样本。这个做法能提高数据的利用率，但是有一个小的信用分配问题：虽然每个轮次都被视为独立样本，但最终任务的成功或失败是由整条轨迹决定的。如何将最终的奖励（或惩罚）公平、准确地分配给轨迹中的每一个中间轮次，是一个经典难题。

组级别的优势归一化，所有轮次的样本被放在一起进行组级别的优势归一化（group-level advantage normalization）。这意味着，无论一个样本来自研究的早期、中期还是晚期，它们都在同一个标准下被评估和学习。这会有利于模型不会只偏向于学习“开头怎么想”或“结尾怎么答”，而是能均衡地掌握整个研究过程中每一阶段的推理和综合能力。

为了兼顾轨迹长度差异带来的每个 batch 样本总数不固定的问题，加入了一个最小损失下采样，将数据库下采样为数据并行规模的整数倍。

另外，IterResearch 的工作模式，使得状态仅包含“上一轮的报告”和“最近的工具响应”。如果“报告”的综合能力不足，未能完全捕捉之前所有轮次的关键信息，那么模型在当前轮次的决策就会基于一个有损的、不完整的历史摘要。换言之，这个方式对报告的质量有着非常严重的依赖，如果报告生成模块本身有幻觉或者遗漏问题，对整体的影响可能是致命的。

最后，项目作者团队在 Infra 上，还有个很棒的设计，即双环境策略。它包含一个模拟环境，和一个真实环境。在模型演化中，先在模拟环境中作快速迭代，再应用到真实环境中，可以参考 websailer-v2 和 Environment Scaling[15]。

参考 DeepResearch 的哪些设计？

前文已经提到了诸多共识与欠共识，我们在此章节作更多讨论。技术上的共识往往都表示技术的成熟，或者说一个研究阶段的终结。比如 GPT3.5 和 Llama 促成行业达成了一个关键共识，基于 transformer 的预训练模型是通用的生成器。这个是共识，与之对应的是之前的欠共识，即大量预训练 vs 小规模专用模型的讨论，以及各种 CNN 架构的设计争议。这些欠共识随着共识的出现，而渐渐淡出了主流讨论圈。注意是淡去，而不是消失了。毕竟逆袭的故事在学术界也多次发生，Hinton 对神经网络的坚持就是最励志的故事之一。

在 DeepResearch 以及 Agent 的模型训练中，有哪些是欠共识，哪些已经接近共识了呢？

RQ1: 我是否需要 Deep Research Agent?

如前文提到，Deep Research Agent 这种技术，主要是自主问题求解。如果你已经在用，或者在调研如下的场景，那你可以考虑 Deep Research Agent：

AI 搜索：典型是百度的智能搜索，Perplexity AI，夸克搜索，Google 的 AI summary 等。这类场景是 Deep Research Agent 的潜在场景。但此技术方案相比于现有的“LLM 总结搜索引擎结果”，在效率上有明显短板。他实在太慢了，一次查询往往需要数分钟。
分析和报告生成：典型是 OpenAI 和 Gemini 的 Deep Research。这种场景是很合适的，但需要注意模型的幻觉和数据源的可信问题。

RQ2: 我是否需要 Agent 专用模型？或者通用大模型就够了？

当下这个问题仍处于欠共识状态。

这个问题的答案，对应了两种截然不同的技术路线，一个是专门训练模型以满足 agent 的需要，另一个是扩充技术模型的基础设施以满足 Agent 的需要，比如 OWL。

首先在评测上，前者是 SOTA，以 Humanity’s Last Exam 为例，通用模型比如 DeepSeek- R1 的 24 分就比 Tongyi DeepResearch 的 28.8 低了不少。但实际使用中，还有更多的争议。

专用模型的优势在于 1. 专门训练掌握工具调用 2. 长程推理，自主决策超过了通用对话模型本身。而通用模型的支持者会认为这两个点都可以由通用模型覆盖。

RQ3: 我需要花很多时间准备数据吗？

这个问题虽有争议，但相对可观的从业者都赞同数据质量的必要性。对于 Agent 的模型而言，什么是高质量数据呢？下面几个线索是存在的

数据标注的质量，一个粗浅的区分方式是：a）人工标注 b）模型标注 C）欠标注。对于人工标注数据，大家可信度很高，但实操中，人工数据质量并非无懈可击，由于错误相信人工标注数据导致的问题也常常发生。模型标注数据在合成中已经大量使用了，精心构建的数据链路，多模型的混合标注方案也是能够保证一定的质量的。对于欠标注数据，部分研究者认为质量过低，但笔者注意到，在预训练以及 CPT 中，欠标注的数据的混入是值的探索的。
轨迹多样性，相比于问答数据，轨迹数据是非常昂贵的数据，其获取和精细标注的成本都很高，一方面由于轨迹很长，另一方面涉及到了多次的工具调用。昂贵带来的一个问题就是稀少，更进一步导致的问题是多样性差，因此在 Tongyi DeepResearch 项目中重点探索了对于轨迹数据的构建。

RQ4: 我是否需要 CPT？

前文提过一个问题“Agent 的增强训练（CPT）究竟需要增强什么？”，我们当时的结论是目前并未明确。此外从成本角度考量，CPT 消耗的算力，数据成本，人力成本都不容小看。那能否跳过 CPT 阶段呢？

从当前的同类研究上看，CPT 并非是必选的。跳过 CPT 方案，而侧重于 SFT 和 RL 也是可行的路线，见[15]。

RQ5: 我是否需要 SFT/RL?

如果想更加低成本的尝试，或者定制自己的 Deep Research Agent，一个最直接的方式，就是连 SFT/RL 都忘掉，接入一个你能买到的最贵的最大的模型，然后花点时间好好设计你的 Prompt。当然有很多框架都能更好的维护其中的工具调用和上下文，比如 OpenManus，OWL。

RQ6: 我能否参考这个方案训练其他 Agent？

虽然 DeepResearch 是一个很有趣的 Agent，大家在研究和开发中，还需要各种各样的 Agent，比如 Terminal 的 Agent，GitHub 的 PR Agent 之类。那 DeepResearch 的方案能否帮上这些研究呢？

这个问题远没有共识，一些线索是：

在合成数据+多阶段训练方式的有效性，在大量场景中都得到了证实，也许可以参考这种总体流程。
数据合成方法，特别是 WebFrontier 这种数据合成方式，却跟工具很有关，其有效性未被证明可以迁移到其他的工具和对应 Agent 中。如果你想训练一个 Excel Agent，你是不会用网页数据作为构造源头的。
封闭的工具集合看起来是有利于模型训练的，在 DeepResearch 研究中固定几种工具换来了稳定的数据构建链路和效果，一个自然的推理是，这种做法也许会降低 Agent 训练的难度。如果你的 Agent 的工具种类复杂，不妨先固定一些，训练模型。
长程推理，看起来越来越有希望的到解决，但目前未必那么成熟，如果你的场景里非得让 Agent 推理 20 步，也许你该想想简化这个问题。

最后

Tongyi DeepResearch 是一个很棒，并且有很好参考意义的项目，不仅提供了强而有力的模型，并且为上述诸多非共识提供了一些解决的线索。阅读其文章的感觉，就像你大热天 38-39 度，上了一天的班回到家，打开冰箱看到一瓶冰镇啤酒，还有一盒卤牛肉：Delicious！很期待学术界和产业界有越来越多这样优秀的工作分享。如果对这个项目及其延展部分还有感兴趣的，欢迎评论互动，也欢迎给我写邮件，<luozhiling@zju.edu.cn> 讨论。

路仍然很长，我们都还在路上。