让 AI 写报告，已经不稀奇了。

给它一个题目，等几分钟，它能搜一堆资料，写出一篇看起来很完整的长文。标题、分段、引用、总结都有，乍一看像那么回事。

但真要拿去用，问题也会很快冒出来。

结构是不是合理？哪些内容有可靠来源？为什么这一章写得很满，下一章又像临时补上的？我让它改第三章，它到底是补了资料，还是只是把原文重新说了一遍？

这也是现在很多“深度研究”产品共同面临的问题：会搜、会写，和真的会做研究，中间还隔着一段距离。

openJiuwen DeepSearch 想解决的就是这段距离：https://atomgit.com/openJiuwen/deepsearch

一、先看 DeepSearch：它解决的不是“写一篇长文”

openJiuwen DeepSearch 不是普通的联网写作

openJiuwen DeepSearch（后续简称为DeepSearch）基于openjiuwen agent-core构建，是融合结构化知识与大模型能力及各种搜索工具的一款深度搜索与研究引擎。他主要提供深度搜索与深度研究两个核心模式。 简单说，深度搜索模式目标是把问题回答准确清楚；深度研究模式更侧重把一个研究主题做成报告。本文后续主要阐述深度研究能力。

DeepSearch 不只是“搜到资料后写一篇长文”，而更像一条研究报告生产线。它会先理解用户要研究什么，再规划报告大纲；大纲确认后，围绕每个章节分别规划、检索、写作；最后再把章节汇总成完整报告，并继续做引用检查、图表增强和局部修改。

对比普通联网写作方案，搜索到资料之后让 AI 一口气写完；DeepSearch 需要先搭骨架，再分章节研究，最后统一装配和检查。

对比普通联网写作方案，搜索到资料之后让 AI 一口气写完；DeepSearch 需要先搭骨架，再分章节研究，最后统一装配和检查。

先把问题想清楚，再开始写

一份报告质量不高，很多时候并不是因为 AI 不会写，而是因为一开始没有想清楚：比如，这篇报告到底要回答什么问题？应该拆成哪些章节、哪些方面去展开研究？需要哪些背景内容？

DeepSearch 在展开正式研究之前通过两种反馈渠道准确理解用户的研究需求：

首先，在用户输入之后，系统理解整理问题涉及的不同方面，以反问形式寻求用户的反馈澄清。

其次，针对用户的澄清，对整体研究规划并生成大纲。

这个设计看起来不复杂，但很关键。因为很多报告不是写到最后才出问题，而是在一开始方向就偏了。

大纲阶段允许用户介入，相当于先把研究边界、章节重点和报告结构定住。

思维链和过程，不应该藏在黑盒里

很多用户对 AI 报告不信任，一个核心原因是不知道它是怎么得出这些内容的。

DeepSearch 在生成过程中，会持续输出研究进度和中间过程。这里说的“思维链”，不是把模型内部所有推理细节都摊开，而是把系统层面的研究思路展示出来：它为什么这样拆章节，为什么需要补充检索，哪些资料被用于支撑某个结论，哪些内容正在进入写作或引用检查。

这对普通用户来说，是“看得懂它在忙什么”；

对企业用户来说，则是后续审查、复盘和追责的基础。

一份报告如果要进入正式决策，最后的文字当然重要，但过程也同样重要。过程越清楚，结果越容易被信任。

不只给结论，还要说明结论从哪里来

另一个AI 报告最容易被质疑的点，是“说得很像真的，但不知道依据是什么，以及如何核实”。

针对这一问题，DeepSearch 的溯源功能，提供两层能力供用户进行快速核验。

第一层是引用溯源：支持把报告内容和检索到的资料、知识库内容、引用来源关联起来，让用户知道关键句子背后对应哪些证据，并且支持到引用内容的具体片段或者句子。

第二层是溯源推理：它不止是把链接贴在报告后面，而是提供关键结论的溯源推理图，帮助用户理解“为什么这些资料能支撑这个结论”。换句话说，它关注的不是有没有引用，而是引用和结论之间是否真的对得上。

这个特性对企业场景尤其重要。因为一份报告如果要进入决策流程，不能只看文字是否完整，还要看证据链是否站得住。

DeepSearch 做溯源和溯源推理，本质上是在把“AI 写出来的内容”变成“可以被检查、可以被复核的研究结果”。

报告生成后，还能继续检查和修改

报告生成之后，DeepSearch 支持用户围绕某个章节、某个段落进行智能优化，如扩写，缩写，润色等。

借助用户反馈处理，让报告不是“一次生成就结束”，而是可以持续优化到用户满意为止。

DeepSearch 的优势不在于“比别人多搜几个网页”，而在于把研究报告拆成了更接近真实工作的几个环节：先规划，再研究，再写作，再检查，再修改。

二、再看 AgentTeam：当研究任务变复杂，AI 能不能像团队一样工作？

为什么会想到 AgentTeam？

当 DeepSearch 已经能完成一条完整研究链路后，问题也会跟着变成：

如果研究任务越来越复杂，能不能让 AI 像一个团队一样工作？

openJiuwen 最近发布了AgentTeam新特性 “驾驭工程”下一跳？JiuwenClaw AgentTeam开启“协同工程”全新范式

简单来讲，可以把它想成一种“多角色协作”的方式。

不是让一个 AI 从头忙到尾，而是让不同角色各自负责擅长的部分，再由一个团队负责人来协调。

更准确一点说，它本质解决的是 Coordination Engineering 的问题：任务怎么编排，角色怎么分工，状态怎么同步，上下文怎么共享，多个环节之间的依赖怎么管理。

如果说过去我们更关注单个 Agent 能不能完成任务，那么 Coordination Engineering 关注的就是：当任务变复杂、角色变多、链路变长时，系统能不能把这些能力组织起来。

现实里的研究报告，通常也不是一个人包办。有人负责理解需求，有人负责搭框架，有人负责查资料，有人负责写正文，有人负责核对事实和引用，有人负责做图表，有人负责按领导或客户意见返工。

DeepSearch 现在已经具备上述这些基础能力。只是目前看起来更像一条流程：先做什么，再做什么。

未来如果结合 AgentTeam，这些能力就可以被重新组织成一个团队：研究负责人拆解任务、把控节奏；资料研究员找资料、筛来源、补数据；写作专家把证据组织成章节；引用审校专家检查事实和来源；图表专家负责更直观的数据表达；修订专家处理用户反馈。

这不是为了把系统做复杂。复杂研究本来就需要分工，AgentTeam 只是把这种分工和协调机制搬进 AI 系统里。

不同题目，可以组不同的小队

不是所有报告都应该用同一种写法。

写行业研究，重点可能是市场规模、政策变化、竞争格局；写技术调研，重点可能是技术路线、架构差异、风险判断；写竞品分析，重点可能是产品对比、商业模式和用户反馈。

如果所有任务都走同一条路，最后写出来的报告就容易“格式很完整，但重点不够准”。

AgentTeam 的用处，就在这里。它可以让系统根据题目调整分工，也就是做更灵活的任务编排. 比如做行业研究时，多安排资料搜集和趋势分析；做竞品分析时，加强对比和案例整理；做技术调研时，让技术路线和风险判断更靠前；做政策解读时，把权威来源和条款解释放在更重要的位置。这样生成的报告会更贴近题目本身，而不是套一个固定模板。

研究过程，应该让人看得见

DeepSearch 本身已经能展示研究进度。AgentTeam 更进一步的地方，是把这种进度变成更清楚的协作状态，也就是让 Coordination Engineering 本身变得可观测。

用户不只是看到“报告生成中”，而是可以看到哪些章节已经完成，哪些地方还在补资料，哪些内容进入了写作，哪些结论正在做引用检查，哪些修改来自用户反馈。

这就有点像一个研究任务看板：谁在处理，卡在哪里，哪些任务已经交接，哪些结论还在等待审校，都能以更清楚的状态呈现出来; 它查了哪些资料？哪一章正在写？哪里证据不够？哪些结论经过核对？我提出修改意见后，它到底改了哪里？这些问题，都可以被放到更清楚的任务状态里。普通用户看得明白，企业用户也更容易审查和复盘。

反馈不只是“重写一遍”

现在很多 AI 写作产品处理反馈时，方式比较粗。用户说“第三章数据不够”，系统可能就重新生成第三章。用户说“结论不够有说服力”，系统可能整篇改写一遍。看起来确实变了，但它到底有没有补资料、有没有重新检查引用、有没有解决结构问题，用户并不知道。

AgentTeam 更适合处理这种多点反馈，因为它可以把一句笼统意见变成一组可分派、可追踪、可回收的返工任务。

比如用户说：“第三章的数据支撑不够，第四章和第二章结论有重复，引用来源需要更权威。” 如果只是单个 AI 处理，它可能会把这句话当成一个大修改请求。但如果是团队协作，就可以拆开来做：研究员去补第三章的数据和案例，写作专家重写相关段落，结构审校专家检查第二章和第四章的重复内容，引用审校专家重新核对来源质量，最后由研究负责人统一整理。

这就更接近真实工作里的返工方式，也形成了一个反馈闭环：用户提出问题，负责人拆解任务，成员分别处理，最后再统一整合。报告不是“一键生成”就结束。真正有价值的报告，往往是在多轮反馈和修改里变扎实的。

研究资料也应该留下来

一份研究报告最有价值的，不一定只有最后那篇文章。大纲、章节目标、检索线索、关键资料、数据表、引用来源、审校意见、用户反馈，这些过程材料同样重要。如果这些东西只是生成过程里的临时信息，用完就没了，那下一次更新同一个专题，系统又得从头开始。

结合 AgentTeam 后，DeepSearch 可以把这些材料沉淀下来，变成团队可以复用的研究资产，也就是团队共享的上下文。下次更新同一专题时，不必从零开始；新增章节时，可以复用已有资料和判断；用户质疑某个结论时，也能回到来源和证据中复核。

对企业来说，这一点尤其有价值。因为企业真正需要的，往往不是一篇孤立报告，而是一组能够持续更新的专题研究档案。

从一次报告，到长期陪跑

很多研究都不是一次性的。行业政策会变，竞品动作会变，技术路线会变，市场判断也会随着新资料不断调整。今天生成一份报告，只是开始。下个月要不要更新？新政策出来后要不要补充？竞品发布新产品后，原来的结论还成立吗？

当前 DeepSearch 很适合完成一次完整报告。AgentTeam 往前更进一步，让这支 AI 研究小队可以持续存在，保留任务、资料、反馈、状态和历史结论。下一次用户回来时，不必重新解释所有背景，系统可接着上次的研究继续往下做。这时，DeepSearch 会从“自动报告生成工具”，慢慢变成一个长期研究助手。

同时，一次优秀的深度研究流程，可以沉淀为Team Skill技能资产，并随着使用持续演进，为后续新的研究任务注入丰富的协作经验，用的越多，效果越好！

三、真正落地时，需要克制

真正难的是怎么接上去

说到这里，方向已经很清楚：AgentTeam 适合承担更复杂的协作任务。但不能因为这个方向看起来顺，就直接把系统改成一支“队伍”。

DeepSearch 今天已经有一套能跑通的研究链路。AgentTeam 应该接在真正需要 Coordination Engineering 的地方，比如章节研究、反馈返工、引用审校和长期跟踪，而不是把整条链路推倒重来。用户不会因为背后多了几个 Agent 就更满意，他们只关心报告是不是更清楚、证据是不是更扎实、修改是不是更可控。

所以，DeepSearch 和 AgentTeam 的结合，首先要守住 DeepSearch 已经做对的东西。AgentTeam 应该叠在这些能力之上，而不是把它们打散重来。

另一个需要注意的是角色边界。

研究员负责补资料，写作专家负责表达，审校专家负责检查来源和逻辑，团队负责人负责把这些结果收回来。每个角色要有清楚的输入、输出和交接规则，否则多角色协作很容易变成互相重复、互相等待，甚至互相打架。

成本也要算清楚。

多角色协作通常意味着更多步骤、更多模型调用和更长的链路。如果最后只是把原本 15 分钟能出的报告变成 60 分钟，但质量没有明显提升，那就不划算。AgentTeam 真正应该用在复杂任务、长报告、多轮反馈、需要审校和沉淀的场景里，而不是所有问题都强行组队。

还有一个容易被忽略的点：用户不需要看到系统内部有多复杂。

用户需要看到的是更清楚的研究进度、更可信的证据、更好理解的修改过程，而不是一堆角色名和内部状态。Coordination Engineering 可以发生在后台，但呈现给用户时，仍然要简单。

先从最需要协作的地方开始

更稳的做法，不是一下子把 DeepSearch 全部改成 AgentTeam，而是先挑最能看出效果的地方试。

章节研究就是一个合适的入口。一份报告天然会分章节，每一章又都有自己的资料、论点和写作目标。先让不同角色围绕章节协作，比直接改完整条报告链路更稳。比如研究员先补资料，写作专家生成章节，审校专家检查引用和逻辑，最后再汇总。

反馈返工也是一个值得优先尝试的地方。用户的修改意见往往不是一句“重写一下”能解决的。它可能同时涉及补数据、改结构、删重复、换来源。把反馈拆成几个小任务交给不同角色处理，比整段重写更接近真实工作方式，也更容易让用户感知到变化。

等章节协作和反馈返工跑顺了，再去做过程展示，也就是把协作状态、任务交接和返工进度用用户看得懂的方式呈现出来。比如哪些章节已经完成，哪里还在补资料，哪一段做过引用复核，哪些改动来自用户反馈。这些信息不需要堆给用户，但可以用更友好的方式呈现出来，让用户知道报告不是黑盒生成的。

至于长期研究，反而可以放到更后面。让一个 AI 研究小队持续跟踪同一个专题，听起来很有吸引力，但它对资料沉淀、状态保存、上下文恢复、历史结论复用都有更高要求。等前面的协作机制稳定了，再去做长期专题跟踪，会更稳。

简单说，AgentTeam 更适合成为 DeepSearch 的下一层能力，而不是一次大拆大改。先让它在最需要协作的地方跑出效果，再逐步扩展到更长周期、更复杂的研究任务里。

写在最后

openJiuwen DeepSearch 已经让 AI 可以完成一条比较完整的深度研究链路。

AgentTeam 能做的，不只是让更多角色参与进来，而是让这些角色被更好地组织起来。

规划、检索、写作、审校、反馈返工，过去更像一条自动化流程；加入 Coordination Engineering 之后，它们开始有分工、有交接、有状态同步，也有共享上下文。

未来的 DeepSearch，可能不只是用户输入一个问题，系统输出一份报告。它更像一个 AI 研究小队：有人负责规划，有人负责检索，有人负责写作，有人负责审校，有人负责图表，有人负责根据反馈返工。

最后交付的，也不只是一篇文字，而是一份结构清晰、证据充分、过程可追溯、还能持续更新的研究成果。

这也是它最值得期待的地方：不是让 AI 写得更长，而是让它学会协调一项研究工作。

相关代码仓