核心发现
方法论
InterDeepResearch系统通过一个专门的研究上下文管理框架来支持人机协作的信息检索。该框架将研究上下文组织为信息、动作和会话三个层次的层次结构，支持动态上下文缩减以防止LLM上下文耗尽，并提供跨动作的回溯功能以追溯证据来源。系统界面集成了三个协调视图用于视觉感知，并提供专门的交互机制用于交互式研究上下文导航。
关键结果
- 在Xbench-DeepSearch-v1和Seal-0基准测试上的评估显示，InterDeepResearch在性能上与最先进的深度研究系统相当。在用户研究中，系统被证明能够有效支持人机协作的信息检索，用户能够更好地参与和引导研究过程。
- 系统通过对用户的研究过程进行清晰的展示，使用户能够在宏观层面理解研究进展，并在微观层面按需访问各个研究动作的细节及其依赖关系。
- 用户能够在研究过程中灵活地干预和引导代理的研究方向，系统支持用户暂停研究、注入新需求、调整策略，并根据新兴见解重新定位研究重点。
研究意义
InterDeepResearch的意义在于它突破了传统深度研究系统的单向查询到报告模式，允许用户在研究过程中进行主动参与和干预。这种人机协作的信息检索方式不仅提高了研究的效率和准确性，还为用户提供了更多的控制权和灵活性，能够更好地适应用户的个人见解和不断变化的研究意图。
技术贡献
InterDeepResearch的技术贡献包括提出了一种新的研究上下文管理框架，该框架能够有效组织和管理复杂的研究过程，并通过动态上下文缩减和跨动作回溯等机制解决了LLM上下文耗尽的问题。此外，系统的交互设计使得用户能够更直观地理解和参与研究过程，提升了人机协作的效率。
新颖性
InterDeepResearch首次将人机协作引入到深度研究系统中，通过交互式的研究上下文管理框架和多视图界面设计，实现了用户在研究过程中的主动参与和实时干预。这种创新的系统设计在现有的深度研究系统中尚属首次。
局限性
- 系统在处理特别复杂或长时间的研究任务时，可能会面临上下文管理的挑战，尽管有动态上下文缩减机制，但在极端情况下仍可能出现性能下降。
- 对于需要高度专业化知识的领域，系统的表现可能会受到限制，因为LLM代理的知识库可能无法涵盖所有专业领域的细节。
- 系统的用户界面和交互机制可能需要进一步优化，以适应不同用户的使用习惯和需求。
未来方向
未来的研究方向包括进一步优化研究上下文管理框架，以提高系统在处理长时间和复杂研究任务时的性能。此外，可以探索将更多的用户个性化需求和反馈机制集成到系统中，以增强用户体验和系统的适应性。
AI 总览摘要
近年来，深度研究系统在学术界和工业界得到了广泛应用。这些系统通过装备基于LLM的代理，能够自动进行信息搜索、收集和综合，解决用户提出的复杂研究目标。然而，现有的深度研究系统主要设计为单次查询到报告的模式，用户在研究过程中处于被动角色，无法参与研究过程。
InterDeepResearch系统通过一个专门的研究上下文管理框架来支持人机协作的信息检索。该框架将研究上下文组织为信息、动作和会话三个层次的层次结构，支持动态上下文缩减以防止LLM上下文耗尽，并提供跨动作的回溯功能以追溯证据来源。系统界面集成了三个协调视图用于视觉感知，并提供专门的交互机制用于交互式研究上下文导航。
在Xbench-DeepSearch-v1和Seal-0基准测试上的评估显示，InterDeepResearch在性能上与最先进的深度研究系统相当。在用户研究中，系统被证明能够有效支持人机协作的信息检索，用户能够更好地参与和引导研究过程。用户能够在研究过程中灵活地干预和引导代理的研究方向，系统支持用户暂停研究、注入新需求、调整策略，并根据新兴见解重新定位研究重点。
InterDeepResearch的意义在于它突破了传统深度研究系统的单向查询到报告模式，允许用户在研究过程中进行主动参与和干预。这种人机协作的信息检索方式不仅提高了研究的效率和准确性，还为用户提供了更多的控制权和灵活性，能够更好地适应用户的个人见解和不断变化的研究意图。
未来的研究方向包括进一步优化研究上下文管理框架，以提高系统在处理长时间和复杂研究任务时的性能。此外，可以探索将更多的用户个性化需求和反馈机制集成到系统中，以增强用户体验和系统的适应性。
深度分析
研究背景
深度研究系统近年来在学术界和工业界得到了广泛应用。这些系统通过装备基于LLM的代理，能够自动进行信息搜索、收集和综合，解决用户提出的复杂研究目标。传统的信息检索系统通常依赖于硬编码的检索工作流，而检索增强生成（RAG）方法利用LLM的通用智能来处理中间信息，但仍然保持刚性的工作流。相比之下，深度研究系统充分利用了基于LLM的代理的自主性，使其能够主动规划、调用信息检索工具，并像人类研究人员一样处理信息，从而完成更复杂和长时间的信息检索任务。
核心问题
尽管深度研究系统取得了显著进展，但现有系统主要设计为单次查询到报告的模式，用户在研究过程中处于被动角色，无法参与研究过程。然而，信息检索领域的大量研究表明，许多信息检索任务在用户参与的情况下会显著受益，特别是当用户需要贡献个人见解、上下文知识和不断变化的研究意图时。这种用户参与的需求在深度研究中表现为两个方面：在高层次上，用户可能需要根据新兴见解调整研究策略；在低层次上，用户可能需要在关键执行细节上进行干预，例如在代理依赖错误假设时进行纠正，或指定需要上下文知识的精确搜索关键词。
核心创新
InterDeepResearch系统通过一个专门的研究上下文管理框架来支持人机协作的信息检索。该框架将研究上下文组织为信息、动作和会话三个层次的层次结构，支持动态上下文缩减以防止LLM上下文耗尽，并提供跨动作的回溯功能以追溯证据来源。系统界面集成了三个协调视图用于视觉感知，并提供专门的交互机制用于交互式研究上下文导航。这种创新的系统设计在现有的深度研究系统中尚属首次。
方法详解
- �� 研究上下文管理框架：将研究上下文组织为信息、动作和会话三个层次的层次结构。
- �� 动态上下文缩减：防止LLM上下文耗尽。
- �� 跨动作回溯：追溯证据来源。
- �� 系统界面：集成三个协调视图用于视觉感知。
- �� 交互机制：用于交互式研究上下文导航。
实验设计
在Xbench-DeepSearch-v1和Seal-0基准测试上进行评估，系统在性能上与最先进的深度研究系统相当。用户研究表明，InterDeepResearch能够有效支持人机协作的信息检索，用户能够更好地参与和引导研究过程。系统支持用户暂停研究、注入新需求、调整策略，并根据新兴见解重新定位研究重点。
结果分析
在Xbench-DeepSearch-v1和Seal-0基准测试上的评估显示，InterDeepResearch在性能上与最先进的深度研究系统相当。在用户研究中，系统被证明能够有效支持人机协作的信息检索，用户能够更好地参与和引导研究过程。用户能够在研究过程中灵活地干预和引导代理的研究方向，系统支持用户暂停研究、注入新需求、调整策略，并根据新兴见解重新定位研究重点。
应用场景
InterDeepResearch可以直接应用于学术研究、市场分析和领域特定调查等场景。系统的动态上下文管理和交互机制使其能够适应不同用户的需求，提高信息检索的效率和准确性。
局限与展望
尽管InterDeepResearch在许多方面取得了显著进展，但系统在处理特别复杂或长时间的研究任务时，可能会面临上下文管理的挑战。此外，对于需要高度专业化知识的领域，系统的表现可能会受到限制，因为LLM代理的知识库可能无法涵盖所有专业领域的细节。系统的用户界面和交互机制可能需要进一步优化，以适应不同用户的使用习惯和需求。
通俗解读 非专业人士也能看懂
想象一下你在厨房里做饭。传统的深度研究系统就像一个自动烹饪机器人，它会根据你最初的指令准备一道菜，但你无法在过程中进行任何干预。而InterDeepResearch就像一个智能助手，它不仅能根据你的指令做饭，还能在你发现新食材或想要改变菜谱时，灵活调整烹饪过程。这个系统通过一个专门的管理框架，将所有的食材、步骤和过程组织起来，确保你在需要时可以随时查看和调整。通过这种方式，你可以更好地参与到整个烹饪过程中，确保最终的菜肴符合你的口味和需求。
简单解释 像给14岁少年讲一样
嘿，小伙伴！想象一下你在玩一个超级复杂的游戏。传统的深度研究系统就像一个自动游戏助手，它会根据你最初的指令完成任务，但你无法在过程中进行任何调整。而InterDeepResearch就像一个聪明的游戏伙伴，它不仅能根据你的指令完成任务，还能在你发现新线索或想要改变策略时，灵活调整游戏过程。这个系统通过一个专门的管理框架，将所有的线索、步骤和过程组织起来，确保你在需要时可以随时查看和调整。通过这种方式，你可以更好地参与到整个游戏过程中，确保最终的胜利符合你的期望！
术语表
深度研究系统 (Deep Research System)
一种利用LLM代理进行长时间信息搜索、收集和综合的应用系统。
在论文中用于描述自动化的信息检索系统。
LLM代理 (LLM-based Agent)
基于大语言模型的智能代理，能够自动进行信息检索和处理。
在论文中用于描述系统的核心组件。
上下文管理框架 (Context Management Framework)
用于组织和管理研究过程中的信息和动作的框架。
在论文中用于描述系统的创新设计。
动态上下文缩减 (Dynamic Context Reduction)
一种防止LLM上下文耗尽的机制，通过动态缩减不相关信息来优化性能。
在论文中用于描述系统的关键机制。
跨动作回溯 (Cross-action Backtracing)
一种用于追溯研究结论到其支持证据的机制。
在论文中用于描述系统的关键功能。
信息检索 (Information Retrieval)
从大量数据中搜索和提取相关信息的过程。
在论文中用于描述系统的核心任务。
研究会话 (Research Session)
一系列连续研究动作的集合，用于宏观层次上的研究过程管理。
在论文中用于描述系统的层次结构。
用户干预 (User Intervention)
用户在研究过程中主动参与和调整研究方向的行为。
在论文中用于描述系统的交互机制。
基准测试 (Benchmark Test)
用于评估系统性能的标准化测试。
在论文中用于描述系统的性能评估。
视觉感知 (Visual Sensemaking)
通过视觉界面帮助用户理解和参与研究过程的能力。
在论文中用于描述系统的界面设计。
开放问题 这项研究留下的未解疑问
- 1 如何进一步优化研究上下文管理框架，以提高系统在处理长时间和复杂研究任务时的性能？现有的方法在某些情况下可能会导致性能下降，需要更有效的解决方案。
- 2 在需要高度专业化知识的领域，如何扩展LLM代理的知识库以涵盖所有专业领域的细节？现有的知识库可能无法满足所有领域的需求。
- 3 如何进一步优化系统的用户界面和交互机制，以适应不同用户的使用习惯和需求？现有的设计可能无法满足所有用户的期望。
- 4 在用户参与的情况下，如何更好地支持用户的个性化需求和反馈机制？现有的系统可能无法完全满足用户的个性化需求。
- 5 如何在不影响系统性能的情况下，集成更多的用户个性化需求和反馈机制？现有的设计可能需要进一步优化。
应用场景
近期应用
学术研究
研究人员可以使用InterDeepResearch进行文献综述和领域调查，提高研究效率和准确性。
市场分析
市场分析师可以利用系统的动态上下文管理和交互机制，快速获取市场信息并调整分析策略。
领域特定调查
专业人士可以使用系统在特定领域进行深入调查，获取详细的背景信息和最新进展。
远期愿景
智能助手
InterDeepResearch可以发展为一个智能助手，帮助用户在各种复杂任务中进行信息检索和决策支持。
自动化研究平台
系统可以扩展为一个自动化研究平台，支持多用户协作和跨领域研究，推动科学发现和创新。
原文摘要
Deep research systems powered by LLM agents have transformed complex information seeking by automating the iterative retrieval, filtering, and synthesis of insights from massive-scale web sources. However, existing systems predominantly follow an autonomous "query-to-report" paradigm, limiting users to a passive role and failing to integrate their personal insights, contextual knowledge, and evolving research intents. This paper addresses the lack of human-in-the-loop collaboration in the agentic research process. Through a formative study, we identify that current systems hinder effective human-agent collaboration in terms of process observability, real-time steerability, and context navigation efficiency. Informed by these findings, we propose InterDeepResearch, an interactive deep research system backed by a dedicated research context management framework. The framework organizes research context into a hierarchical architecture with three levels (information, actions, and sessions), enabling dynamic context reduction to prevent LLM context exhaustion and cross-action backtracing for evidence provenance. Built upon this framework, the system interface integrates three coordinated views for visual sensemaking, and dedicated interaction mechanisms for interactive research context navigation. Evaluation on the Xbench-DeepSearch-v1 and Seal-0 benchmarks shows that InterDeepResearch achieves competitive performance compared to state-of-the-art deep research systems, while a formal user study demonstrates its effectiveness in supporting human-agent collaborative information seeking. Project page with system demo: https://github.com/bopan3/InterDeepResearch.
参考文献 (20)
Exploratory Search: Beyond the Query-Response Paradigm
Ryen W. White, Resa A. Roth
SenseMap: Supporting browser-based online sensemaking through analytic provenance
P. Nguyen, Kai Xu, A. Bardill 等
Graphologue: Exploring Large Language Model Responses with Interactive Diagrams
Peiling Jiang, Jude Rayan, Steven W. Dow 等
Coagmento- A Collaborative Information Seeking, Synthesis and Sense-Making Framework (an integrated
C. Shah
Litforager: Exploring Multimodal Literature Foraging Strategies in Immersive Sensemaking
Haoyang Yang, Elliott H. Faa, Weijiang Liu 等
GenSERP: Large Language Models for Whole Page Presentation
Zhenning Zhang, Yunan Zhang, Suyu Ge 等
A survey on the use of relevance feedback for information access systems
I. Ruthven, M. Lalmas
Scent of Knowledge: Optimizing Search-Enhanced Reasoning with Information Foraging
Hongjin Qian, Zheng Liu
Interactions with Search Systems
Ryen W. White
SearchLab: Exploring Conversational and Traditional Search Interfaces in Information Retrieval
Saber Zerhoudi, Michael Granitzer
Deep Researcher with Test-Time Diffusion
Rujun Han, Yanfei Chen, Zoey CuiZhu 等
SearchTogether: an interface for collaborative web search
M. Morris, E. Horvitz
Luminate: Structured Generation and Exploration of Design Space with Large Language Models for Human-AI Co-Creation
Sangho Suh, Meng Chen, Bryan Min 等
Faceted search on coordinated tablets and tabletop: a comparison
Sven Charleer, J. Klerkx, E. Duval 等
Where should the person stop and the information search interface start?
M. Bates
引言 (Introduction)
吕一旭 Yixu Lu
고객과 지식 Marketing
김정남
OpenEvidence
V. Wu, Jed Casauay
Information Seeking in Electronic Environments
G. Marchionini
Evaluating the Benefits of the Immersive Space to Think
Lee Lisle, Virginia Tech, Xiaoyu Chen 等