Deep Research（深度研究）智能体能够自主规划、检索、分析并生成结构化研究报告，但从原型到可服务真实用户的生产系统之间存在大量工程化挑战。本次分享将围绕我们在 Deep Research 智能体服务化过程中的实践经验，涵盖长时任务的通信架构选型、多阶段异步任务的进度追踪与增量输出、多格式报告生成与文件引用还原、多租户账户隔离与三层配置体系、以及多搜索引擎适配等核心技术问题。我们将坦诚分享每个环节中遇到的 tradeoff 与踩坑经验，帮助听众在构建类似长链路 AI Agent 服务时少走弯路。

演讲提纲

1. 行业全景：Deep Research 的竞争格局与技术路线分化
   • 2024–2025 年主流厂商密集发布deep research
   • 成本差异驱动架构选择：从 $10/次到 $0.005/次，2000 倍的成本差距背后的技术取舍
   • 开源生态的快速追赶与仍然存在的差距
   • 一个关键判断：架构选择比模型选择更重要
2. 被低估的工程化鸿沟
   • 行业讨论充分的挑战：规划可靠性、幻觉控制、成本优化
   • 被严重低估但决定用户体验的挑战：
     • 长时任务的通信可靠性——当任务从秒级变为 20 分钟
     • 模型输出到用户交付物之间的转换工程
     • 从单一产品到多租户平台的服务化架构
3. 长时 Agent 任务的通信架构
   • 问题本质：MCP 解决了 Agent-工具通信，A2A 解决了 Agent-Agent 通信，但单个长时任务内如何可靠地向客户端传递增量状态，目前缺少成熟方案
   • 流式推送 vs 轮询：各自的适用场景与局限性
   • 增量输出与断点续传的设计思路
   • 非确定性任务的进度反馈困境：业界主流的终止策略（固定上限、AI 自主判断 + 硬上限兜底、Depth×Breadth 可配、端到端 RL 自学）与我们的选择
4. 多阶段任务编排与人机交互设计
   • 设计哲学：在效率与控制之间给用户选择权
   • 输入过滤：当用户在 Deep Research 模式下提出不适合深度研究的请求，C 端产品用"软引导"，API 服务用"硬过滤 + 可开关"——同一问题的不同工程选择
   • 需求澄清的形式化：自然语言 vs 结构化，不同场景的适配
   • 研究规划的确认机制：跳过 vs 二次确认的灵活性设计
   • 任务终止与资源释放：长时任务必须有的"紧急刹车"
5. 报告生成与输出工程化
   • 核心观点：模型输出 ≠ 用户交付物
   • 多格式渲染管线（Markdown → PDF / Word / HTML）的工程挑战
   • 纯文本 + 可视化报告的双模输出
   • 引用来源还原：从模型占位符到标准化引用格式
   • 文件持久化与按需获取——论文和博客中几乎不讨论，但生产中不可或缺
6. 从产品到平台：多租户服务化架构
   • 行业趋势：协议标准化（MCP/A2A）正在重塑 Agent 生态，但在标准完全成熟之前，生产团队需要自己解决服务化问题
   • 多层配置体系：不同生命周期的配置需要不同的管理策略——系统级、账户级、调用级逐层覆盖
   • 账户隔离与鉴权管理：多租户 Agent 服务的安全基线
   • 数据监控：多维度交叉统计支撑运营决策

这样的技术在实践过程中有哪些痛点？

1. 长时 Agent 任务的通信可靠性：SSE 在 20 分钟+ 场景下面临代理超时、连接断开等稳定性问题，但轮询引入了状态管理复杂性和延迟。
2. 进度反馈的非确定性：用循环轮数比值表示进度，但模型可能提前结束或某一轮耗时远超其他轮次。所有非确定性 AI 任务都面临这个问题，当前没有完美解。
3. 多格式报告的质量一致性。  

演讲亮点
面向 20 分钟+ 长时 Agent 任务的通信架构实践：业界对 Agent 通信协议（MCP/A2A）讨论很多，但对"单个长时任务内的通信可靠性"讨论极少。我们分享了在轮询/SSE 混合方案中的增量输出、内容块编号、断线恢复等具体工程细节，这是生产环境中踩坑后沉淀的经验。

听众收益

1. 获得长时 AI Agent 从原型到生产的完整工程参考：覆盖通信架构、多阶段编排、进度追踪、多格式输出、服务化的全链路方案，可直接借鉴。
2. 理解实践与行业趋势（MCP/A2A 协议、Anthropic 多 Agent 架构、Agent 可观测性）的对应关系，形成自己的技术选型判断。
3. 了解 Deep Research 类产品在生产环境中的真实 tradeoff 和踩坑经验，帮助在构建类似长链路 Agent 服务时少走弯路。