产品核心特点 - FlowSearch是一个由动态结构化知识流驱动的深度科研智能体，通过构建科研任务的多层依赖图实现任务的并行探索和自适应优化[6][7] - 系统采用有向无环图将科研任务和知识关系可视化，每个节点携带任务类型和知识上下文，节点间的边定义信息流向，实现非线性的多路径探索[12][13] - 具备自组织、自纠错、自优化能力，能够根据新信息动态调整节点和依赖关系，确保知识流持续进化[19][24] 技术架构 - 由三大核心模块组成：Knowledge Flow Planner负责规划研究路线并拆解问题，Knowledge Collector执行任务并收集信息，Knowledge Flow Refiner反思和优化整个研究流程[8][9] - Planner模块采用递归扩展策略，从总问题出发逐层细化子任务，InternPlanner模型经过结构化科研任务数据微调，能够学习专家的拆解方式[16] - 多智能体框架下实现任务并行执行，Collector填充节点内容的同时Refiner动态调整流程，形成类似科研团队的协作机制[10] 性能表现 - 在GAIA基准测试中，FlowSearch(o4-mini)在Level 1达到90.56%，Level 2达到76.74%，Level 3达到50.00%，平均分为76.96%，显著优于其他方法[23] - 在GPQA-diamond基准上，生物领域84.21%，化学领域79.57%，物理领域96.51%，平均达到87.37%[23] - 在HLE基准的text only模式下达到31.60%，All模式下达到30.80%[23] - 专业基准TRQA测试中，FlowSearch依托通用工具链超越了多个领域专用模型[23] 技术验证 - 模块有效性验证显示，完整系统在GAIA基准平均分达76.96%，而去除动态知识流建模或反思模块会导致性能显著下降[26][27] - InternPlanner-32B相比基础模型Qwen-3-32B在GAIA基准上提升约6个百分点，从64.81%提升至70.91%，验证了结构化训练的有效性[28][29] - 与OWL对比案例显示，FlowSearch通过显式依赖建模与中间结果整合，有效避免证据丢失与逻辑链断裂[30] 应用价值 - 标志着科研智能体从"任务执行"向"知识驱动推理"的关键转变，为可解释科研智能体与自演化科学发现系统奠定基础[41][42] - 能够适配科学调研与报告生成任务，产出完整、全面且逻辑清晰的科学调研成果[32] - 对科研新人可构建完整知识探索路径，对跨学科研究者提供知识流整合能力，对资深学者可作为智能研究助手提升效率[43]