[論文] WebWeaver：運用動態大綱結構化網路規模證據，實現開放式深度研究

在人工智慧研究的重大突破中，由李子健領導的研究團隊推出了 WebWeaver，這是一個突破性的雙代理框架，重新定義了 AI 系統進行全面研究的方式。這項創新框架於 2025 年 9 月 16 日發表，透過模仿人類研究程序而非遵循僵化的機械化工作流程，解決了開放式深度研究（OEDR）的複雜挑戰。

WebWeaver 在主要基準測試中超越了專有和開源系統，在 AI 驅動的研究能力方面建立了新的技術標準。這項成就源於其創新方法，解決了現有研究代理的根本限制，特別是它們無法根據發現的證據調整研究大綱，以及難以有效管理長上下文資訊的問題。

研究團隊識別出當前 AI 研究系統的兩個關鍵缺陷。首先，大多數現有代理要麼採用缺乏結構連貫性的簡化「搜尋後生成」方法，要麼在收集任何證據之前就建立靜態大綱，阻礙了對新發現的適應。其次，這些系統通常試圖在單一上下文視窗中處理所有收集到的資訊，導致被稱為「中間遺失」的注意力失效和增加的幻覺現象。

WebWeaver 的架構透過受人類啟發的雙代理框架解決了這些問題。第一個代理稱為規劃器，在動態研究循環中運作，持續交織證據收集與大綱精煉。與在開始時建立固定大綱的傳統系統不同，WebWeaver 的規劃器將大綱視為隨著新資訊出現而演化的活文件。這種動態方法實現了真正的探索，並允許研究方向根據發現進行調整。

「關鍵在於放棄僵化的機器式管道，轉而擁抱人類智慧的有機程序，」研究論文解釋道。「我們的方法教導代理像人一樣進行研究。人類專家不會在開始前就敲定整個計畫；他們讓大綱成為一份活文件。」

第二個代理是寫作器，透過階層式合成程序解決管理大量資訊的挑戰。它不是試圖同時處理所有收集到的證據，而是逐段撰寫報告，針對每個部分執行有針對性的檢索，只取得最相關的證據。這種聚焦方法反映了人類寫作者的工作方式，為特定章節參考特定筆記，從而避免困擾一次性生成方法的注意力失效。

系統的記憶庫架構作為這些代理之間的橋樑，儲存具有唯一識別符的結構化證據，透過引用明確連結到大綱。這種連結確保最終報告保持強大的來源基礎，同時實現更有效的資訊管理。若要深入了解 AI 記憶系統，可以考慮閱讀《人工智慧與大腦研究：神經網路、深度學習與認知的未來》。

廣泛的實驗證明了 WebWeaver 在三個具挑戰性的 OEDR 基準測試中的卓越表現。在DeepResearch Bench上，該基準包含橫跨 22 個不同領域的博士級研究任務，WebWeaver 在全面性、洞察力、指令遵循和可讀性方面都取得了優於主要 AI 公司系統的分數。在專注於商業和諮詢領域的 DeepConsult 上，它達到了 66.86% 的最高勝率。而在評估真實世界複雜查詢表現的 DeepResearchGym 上，它在清晰度、深度、平衡性、廣度和支撐性方面都獲得了最高分數。

研究團隊的分析顯示，動態大綱最佳化程序不僅僅是一種增強，而是高品質研究的根本要求。經過多輪大綱最佳化後生成的報告在全面涵蓋和邏輯結構方面都顯示出顯著改善。此外，階層式寫作方法在每個指標上都大幅超越了暴力破解方法，證實了將複雜寫作任務分解為聚焦子任務對於連貫、有良好支撐的報告是必要的。

或許最令人矚目的是，研究團隊證明了 WebWeaver 的方法可以透過監督式微調蒸餾到較小的模型中。透過建立由其框架生成的高品質資料集 WebWeaver-3k，他們讓 300 億參數的模型能夠達到先前僅限於更大系統的專家級表現。這項成就表明，思考、搜尋和寫作的基本技能可以有效地傳授給更易於取得的 AI 模型。有興趣實作這些技術的讀者應該探索《精通大型語言模型微調：從基礎到進階技術》。

WebWeaver 不僅僅代表 AI 研究能力的漸進式改進。它為處理複雜、資訊密集任務建立了新的範式，透過重新框架長上下文推理的挑戰。它不依賴暴力注意力機制，而是展示了結構化、工具驅動的方法如何有效地編排複雜的資訊工作流程，為更類似人類的人工智慧指明了方向。

WebWeaver 的推出標誌著朝向能夠真正協助處理定義人類級知識工作的複雜、開放式挑戰的自主 AI 系統邁出的關鍵一步——這是一個由好奇心、綜合和新穎洞察發現所驅動的程序。若要全面了解現代 AI 進展，《智慧簡史：演化、AI 與塑造我們大腦的五大突破》提供了這些發展如何與人類認知相關的寶貴背景。