AgentDisCo：迈向开放式深度研究代理的解开和协作

在本文中，我们提出了 AgentDisCo，这是一种新颖的解缠结和协作代理架构，它将深度研究制定为信息探索和利用之间的对抗性优化问题。与将这两个过程合并为单个模块的现有方法不同，AgentDisCo 采用批评者代理来评估生成的大纲并优化搜索查询，并使用生成器代理来检索更新的结果并相应地修改大纲。然后，经过迭代完善的大纲将传递给下游报告撰写者，以综合综合研究报告。整个工作流程通过元优化工具支持手工设计和自动发现的设计策略，其中生成器代理被重新用作评分代理来评估评论家输出并生成质量信号。强大的代码生成代理（例如，Claude-Code、Codex）系统地探索代理配置并构建一个策略库，一个可重用设计策略的结构化存储库，使框架能够自我完善而无需大量的人工干预。我们使用 Gemini-2.5-Pro 在三个已建立的深度研究基准（DeepResearchBench、DeepConsult、DeepResearchGym）上评估 AgentDisCo，其性能可与领先的闭源系统相媲美或超越。鉴于现有基准不足以反映现实世界的用户需求，我们引入了 GALA（通用人工智能生活助手），这是一个从用户历史浏览行为中挖掘潜在研究兴趣的基准。我们进一步开发了一种渲染代理，可将研究报告转换为视觉丰富的海报演示文稿，并演示端到端产品 AutoResearch Your Interest，该产品可根据个人浏览历史提供个性化的深度研究建议。