公司概况 - 专注于构建具有自主意识的数字Agent，目标是为全人类实现安全可控的AGI，核心理念是AGI为持续迭代的动态系统而非固化模型 [2] - 愿景成为人工智能创新领域的全球领军者，聚焦基础模型及下一代智能关键技术的前沿探索，强调长期主义、开发者友好和系统开放理念 [2] - 由前中国首富陈天桥创办，其曾创立盛大网络并保持中国最年轻内地首富纪录（31岁），近年All in AI+脑科学领域，孵化多家AI创业公司并捐赠5000万元成立复旦天桥人工智能研究院 [4] 技术架构与性能 - 全栈开源生态系统：包含Agent框架（MiroFlow）、模型（MiroThinker）、数据（MiroVerse）和训练基础设施（MiroTrain/MiroRL），所有组件开放共享 [1][8] - SOTA级性能：MiroFlow搭配商用模型API在GAIA验证集得分82.4，超越现有商用API；搭配开源MiroThinker模型在GAIA-Text-103数据集达60.2%性能，接近OpenAI Deep Research水平 [1][15] - 可复现性：MiroFlow框架代码和配置开源，第三方可复现GAIA验证集82.4的高性能表现 [13] 核心团队与技术背景 - 清华电子工程系副教授代季峰领衔，其研究成果包括可变形卷积Deformable ConvNets（PyTorch标准算子）、BEVFormer（自动驾驶多相机感知里程碑）、UniAD（CVPR 2023最佳论文）等 [5][6] - 代季峰开发的InternVL多模态基础模型Hugging Face下载量超1000万次，论文总引用6万余次 [6] 开发者生态 - 提供147k开源训练数据（MiroVerse），按月更新并响应社区反馈 [12] - 社区活动包括竞赛、排行榜、Hackathons，开发者可直接影响项目发展 [1][22] - 支持数据需求提报、功能定制与技术挑战，覆盖数据工程师、AI研究员等多角色参与 [22] 行业定位与竞品对比 - 对标OpenAI Deep Research概念，构建开源协作的深度研究生态系统（Agent框架+模型+数据+训练设施） [7] - 在GAIA性能表现上显著领先竞品：MiroMind ODR得分82.4，远超OpenAI Deep Research（67.4）、Manus（73.3）等 [10]

AI四小强技术布局与竞争态势 - AI四小强（MiniMax、DeepSeek、阿里巴巴、百度）被黄仁勋评价为开发"世界级产品"，近期通过Deep Research技术重新进入行业焦点 [1] - 7月阶跃星辰推出阶跃AI Deep Research测试版，MiniMax在6月连续发布推理模型M1、视频生成模型及Agent，月之暗面跟进Kimi Research，智谱3月已发布融合Deep Research的AutoGLM沉思版 [2] - 四家公司均押注Deep Research和AI Agent技术，以垂直领域深度应用应对大厂竞争，并需向投资人证明其在下半场的竞争力 [3][4] Deep Research技术路径分化 - 月之暗面Kimi-Researcher采用"傻瓜式操作"路径，用户仅需指令即可生成报告（10-20分钟），提供可视化卡片/表格等ChatGPT未覆盖的功能 [12][14] - 智谱和MiniMax选择高互动型Workflow模式，用户需设计复杂提示词并实时反馈，任务耗时1-2小时但可控性更强 [13][14] - 两种路径均反映当前大模型能力不足，四小强通过升级模型补足短板：MiniMax M1支持1兆上下文，月之暗面K2参数量达万亿，阶跃星辰Step 3推理效率达DeepSeek R1的300% [15] 行业竞争与商业化压力 - 腾讯、阿里、字节等大厂通过元宝、夸克、豆包等产品挤压四小强市场空间，Kimi因停投流导致搜索排名下滑但仍坚持技术优先策略 [17][18] - 四小强放弃用户规模追逐，转向技术迭代：智谱启动上市辅导，MiniMax拟融资3亿美元（估值40-50亿美元），月之暗面K2获国际认可，MiniMax视频模型Hailuo 02评测全球第二 [23][22] - Agent商业化案例显现价值：某客户通过Agent将销售培训周期从30天缩至2天，新人绩效达中等偏上水平，但需解决高token消耗（单报告22万token）及任务执行成本（2-3美元/次）问题 [28][30] 技术卡位与市场挑战 - 四小强需通过出圈案例证明技术优越性，对比Manus（融资7500万美元）和Lovert（获马斯克点赞）的国际影响力仍有差距 [25][26] - Agent市场增长现疲态：Manus月访问量从2376万次降至1730万次，Genspark从888万次跌至769次，反映产品市场匹配度待提升 [31] - 行业进入"厘时代"算力价格战，但Agent的高成本与长耗时（OpenAI目标用户需愿等待30分钟）仍是普及障碍 [30][31]

秘塔AI搜索深度研究功能发布 - 国产AI搜索平台秘塔AI推出对标Deep Research的深度研究功能，完全免费开放使用，无需申请或会员资格 [1] - 功能可展示完整思考链和证据链，研究步骤全程可视化，最终生成结构化研究报告 [1][2] - 支持将报告一键转换为互动网页，自动排版并标注信息来源 [4][32][33] 技术能力与评测表现 - 在BrowseComp和xbench-DeepSearch评测集上表现最优，中英文能力均领先 [8] - 超越通义开源的WebSailor模型最新测试成绩 [10] - 研究过程采用多色标注系统：绿色为确定结论，紫色为待完善结论，红色为信息缺失部分 [23][24] 核心功能特点 - 支持复杂问题拆解，如分析AMD与英伟达AI芯片竞争时，会从CoWoS封装技术分配比例预测出货量 [18][22] - 参考资料库包含400+篇中英文文献，每个知识点均标注来源 [29][31] - 支持全网+文库+学术+图片+视频+播客+私域的全范围搜索 [14] 应用场景展示 - 商业调研：自动生成数据可视化图表（柱状图/折线图） [39] - 日常生活：提供科学现象深度解释 [41] - 非常规问题：能处理"企鹅偷石头"等奇特查询 [44] 行业定位与竞争优势 - 深度研究功能成为AI能力新风口，国内外巨头(OpenAI/Perplexity/谷歌)纷纷布局 [47][48] - 国内同类产品多设付费墙或试用限制，秘塔直接免费开放形成差异化 [48][49][50] - 技术优势来自"AI+搜索"双基因组合，兼具大模型逻辑能力和搜索引擎信息抓取能力 [51]

深度研究系统行业概览 - 2025年AI Agent探索浪潮中"深度研究"类产品最早成功落地 从2024年底谷歌发布首个产品开始 OpenAI Anthropic等巨头迅速跟进 已有超过80个团队投入该领域 [1] - 行业竞争焦点从单一模型能力转向系统架构 工程优化与应用场景适配度的综合比拼 评估体系从通用基准演进为高度专业化测评 [2] - 多智能体协同架构成为前沿方向 需解决幻觉控制 安全隐私和过程可解释性三大核心挑战 未来系统将向知识创造路径演进 [3] 技术架构与系统比较 - 商业系统如OpenAI/DeepResearch和Gemini/DeepResearch依托专有大模型 在上下文长度和复杂推理占优 而Perplexity/DeepResearch通过优化开源模型实现竞争力 [5] - 工具集成呈现"大而全"与"小而精"分野 AutoGLM和Manus构建全能平台 Nanobrowser专注网页交互 n8n擅长API集成与工作流自动化 [6] - 任务规划方面 OpenAI/AgentsSDK长于层级化分解 Agent-RL/ReSearch利用强化学习提升鲁棒性 smolagents通过多智能体协作提升并行效率 [6] 应用场景适配性 - 学术研究场景要求引用严谨性和方法论分析能力 OpenAI/DeepResearch和Perplexity/DeepResearch表现突出 [8] - 企业决策场景注重信息时效性和数据整合 Gemini/DeepResearch和Manus占据优势 [8] - 个人知识管理场景侧重易用性和隐私保护 Open-Manus和nickscamara/open-deep-research等开源方案更适用 [8] 评估体系演进 - 商业系统在HLE和GAIA等综合认知测试保持优势 但专门化评测中不同系统特长显现 如Perplexity/DeepResearch在SimpleQA事实问答领先 AutoGLM在WebArena网页自动化优异 [9] - 评估体系深度专业化 涌现AAAR-1 0 DSBench SciCode MASSW等150+任务评测 覆盖科研助理能力 数据科学 科学工作流等细分领域 [10] - 多模态评估兴起 MMSci ScienceQA GMAI-MMBench等基准检验跨模态理解能力 [10] 实现技术与挑战 - 主流架构包括单体式 流水线 多智能体和混合式四种 多智能体架构通过角色分工实现并行处理 但需解决协调一致性问题 [13][14] - 分布式推理和并行搜索技术优化计算效率 如LightLLM VLLM框架 Perplexity/DeepResearch可并行发出数十查询 [15] - 核心挑战包括幻觉控制(来源标定技术) 隐私保护(数据隔离) 可解释性(展示推理过程) [17][18] 未来技术方向 - 突破上下文窗口限制 通过信息压缩(分层处理 语义导航)和外部记忆架构(检索增强生成)实现"无限记忆" [25][27][28] - 神经与符号推理融合 神经网络处理创造性任务 符号系统负责形式化验证 知识图谱实现动态演化 [30][31] - 从相关性到因果推理 开发因果推断机制(构建因果图 量化效应)和干预建模技术(反事实推理) [33][34] - 多维不确定性建模 区分知识局限 固有随机性和模型缺陷 集成贝叶斯推理系统更新信念 [35][36][37]

项目背景 - OpenManus 复刻 Manus 核心功能，以开放姿态在不到一个月内于 GitHub 获超 42.2k Star 关注[2] 开发者经历 - 梁新兵和向劲宇因 MetaGPT 黑客松活动接触 Agent 领域，确定研究方向[8][9] - 梁新兵科班出身，向劲宇从物理转行，两人在合作中优势互补[8][9] 开发工具与工作流 - 开发者日常借助 Kimi、Repo Mix、Cursor 等 AI 工具学习新技术、提升编程技能，提高工作效率[11][14] - OpenManus 很多代码由 AI 辅助编写，但需人工审查和修改[15] 项目诞生与反响 - 向劲宇预判复刻 Manus 并开源会火，两人利用业余时间快速搭建 OpenManus，发布后 Star 数疯涨[18][19] - 开源目的主要是科普和推广简洁实现理念，让初学者易理解 Agent 核心逻辑[18][19] 项目设计与实现 - OpenManus 架构含 planning tool、Agent 和 tool 模块，采用 react 模式执行任务[24][27] - 定义 Agent 关键要素为工具和提示词，核心工具约 10 个，工具粒度较大[28][32][38] 开源社区贡献 - AWS 官方提交适配 Bedrock API 的代码，社区贡献者完善 Web Search 功能[43][44] - 因审核困难和缺乏测试用例，开发者会慎重考虑修改大量代码的 PR[46] 项目演示与挑战 - 演示 OpenManus 制定旅行规划时出现启动慢、卡住等问题，可能与上下文长度和代码 Bug 有关[52][53][55][56] MCP 协议 - MCP 是统一协议，目标是让大模型以统一方式使用工具，OpenManus 已实现部分支持[60][61][64] 未来规划 - 进行强化学习微调模型，基于 Agent Gym 开发 OpenManus RL 扩展项目[66][67] - 完善多 Agent 协调、MCP 协议支持、工具集成和测试用例建设等工作[68] 学习与借鉴 - 开发者通过 RepoMix 抓取代码，借助大模型理解代码逻辑和架构，将精华部分整合到项目中[69][72][73]