宝玉@dotey · XAI 摘要
Deep Research Agent正从实时搜索循环演进为两阶段工作流：第一阶段通过网络调研将知识沉淀为本地文件（.md/.json/.csv），实现知识"具象化"存储；第二阶段Agent直接挂载这些文件进行离线迭代，彻底切断网络调用。这种"探索与利用解耦"架构带来确定性、毫秒级读取速度、一致性校验和Token成本优化四重优势，使长周期任务转向基于静态知识库的高效内循环。
这个思路可以借鉴，将传统 deep research agent 分成两个阶段，先尽可能的搜索可能的信息，保存成本地文件，然后基于本地文件去生成报告。
原推翻译：
在2025年，深度研究的套路非常直线：上网搜索 → 阅读内容 → 逻辑推理 → 不断重复，直到得出结果。在这个过程中，哪怕是执行最小的循环步骤，AI 都会去互联网上重新抓取一遍数据。
但到了2026年，处理长周期任务被明确划分成了两个截然不同的阶段：
阶段一：通过网络读写进行调研与规划。 这一阶段仍然是搜索、阅读和推理，但请注意，目标不再是直接给出最终答案。它的唯一任务是把互联网上的零散知识"具象化"，全部沉淀并保存成我们本地硬盘里的文件（比如 .md、.json 或 .csv 格式的文件）。
阶段二：智能体"挂载"本地文件，开启内循环。 这时，AI 智能体像插入硬盘一样挂载这些整理好的本地文件，然后只对着这些文件进行阅读、执行代码和写入操作。从此以后，它再也不需要通过联网来做信息对齐（grounding）了。
为什么要在第二阶段毫不留情地砍掉联网获取信息的环节呢？原因有四点：
- 确定性（Determinism）： 本地文件就像是时间静止的快照，里面的内容绝不会变。而网上的内容太不稳定了，随时可能被修改、变成 404 无法访问，或者突然弹出一个付费墙拦住你的去路。
- 速度（Speed）： 读取本地硬盘的数据只需要几毫秒，而去网上抓取一个网页动辄要花上好几秒。AI 智能体在执行循环任务时，需要的是飞快、紧凑的迭代速度，网络延迟是绝对等不起的。