AI 编程实时动态与要闻

以 OpenAI Deep Research、Perplexity Deep Research 为代表的自主深度研究智能体（Deep Research Agents）正在重构人类信息获取与综合分析的范式。然而，面对高度发散、长达数十轮的开放式命题（如行业全景深度报告、复杂技术选型论证），现有智能体普遍采用‘黑盒式单向搜索-汇总’策略，导致三大严重弊端：模型在浩瀚网页中陷入重复无意义搜索、各章节间观点自相矛盾且事实漂移严重、随着探索深入上下文急剧膨胀产生数十万冗余 Token。清华大学与中国人民大学研究团队最新发布重磅成果《Incremental Open-Ended Deep Research with Structured Harness》（arXiv:2610.11566，项目主页：ioedr-project.github.io）。团队提出了增量式深度研究新范式 IOEDR，首次将研究报告生成建模为‘不断进化的层级状态图（Hierarchical State Graph）与全局证据池（Persistent Evidence Pool）’。智能体不再盲目抓取，而是基于结构化脚手架（Structured Harness）驱动探索边界：通过动态大纲增量扩展、证据置信度交叉检验以及目标导向的停机判定，精准填补知识空白。在权威的 DeepResearch Bench 上，IOEDR 不仅将生成报告的事实准确率与多维深度显著提升，更将整体 Token 消耗骤减 33.2%，外部搜索 API 调用次数暴跌 61.4%！

月之暗面（Moonshot AI）面向企业开发者开放了基于 Kimi k1.5 的超大规模代码混合检索 API（Hybrid Code Search）。结合向量密集语义表征与稀疏 AST 关键词倒排索引，该接口在面对超过 1,000 万行超大单体仓库时，符号定位与跨文件调用链检索延迟缩短至 80ms 以内。