不知道你有没有这样的感受，在使用各家大模型的深度研究时，让大语言模型自行查阅一个网页及其子网页的信息并总结时，感觉效果还不错；但让研究一个开放性问题（即OEDR，比如概括某个领域的研究现状）并输出研究报告时，总觉得差点意思。

最近，阿里通义实验室的研究团队，包括Zijian Li、Xin Guan等学者，在发布的论文《WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research》中，提出了一种创新框架——WebWeaver。这个框架模拟人类研究过程，通过双智能体系统（规划器和写作器）来解决现有方法的双重局限：一是静态研究管道，将规划与证据收集分离，导致研究路径僵化；二是单次生成范式，容易陷入“中间丢失”（loss in the middle）和幻觉问题。

图1：不同智能体在三大基准上的性能对比。WebWeaver在DeepResearch Bench、DeepConsult和DeepResearchGym中均取得SOTA，展示了其在开放式深度研究中的优越性。

WebWeaver强调动态循环和分层合成，让AI智能体像人类专家一样，边探索边调整大纲，最终输出高质量、可靠的报告。该框架已在三大主要OEDR基准测试中取得state-of-the-art（SOTA）性能，超越了包括OpenAI和Gemini在内的专有系统。这不仅为学术界提供了开源解决方案，还通过构建高质SFT数据集WebWeaver-3k，帮助小型模型实现专家级表现。感兴趣的读者可以访问项目博客或GitHub仓库获取更多细节。

项目博客：https://tongyi-agent.github.io/blog

GitHub：https://github.com/Alibaba-NLP/DeepResearch

现有方法的痛点：为什么AI在深度研究中“卡壳”？

传统OEDR方法大致分为两类：专有系统和开源方案。专有系统如OpenAI的DeepResearch、Google的Gemini Deep Research，虽然强大，但API费用高昂、配额限制严格，阻碍了广泛应用和学术探索。开源方案则主要采用两种范式。第一种是“先搜索后生成”，智能体先收集所有信息，然后直接生成报告。这种方法缺乏指导性大纲，导致输出低质且不连贯。第二种是先生成静态大纲，再针对每个部分搜索。这种策略看似更结构化，但大纲基于LLM的内部知识固定成型，无法适应搜索中的新发现。更糟糕的是，将所有检索材料塞入单一上下文进行生成，会引发注意力分散、幻觉增多等问题。

研究团队通过分析这些范式（如下图2所示），指出核心问题是脱离了人类研究的有机过程。人类专家不会预先固定整个计划，而是让大纲成为“活文档”，随着发现不断演化。写作时，也不会一次性“阅读”所有笔记，而是针对每个章节参考特定材料。WebWeaver正是基于这一人类中心哲学设计的，它通过动态研究循环和记忆导向的分层合成，实现了从探索到输出的无缝衔接，避免了长上下文的陷阱。

图2：三种研究范式的对比。图中展示了传统“先搜索后生成”（a）和“静态大纲引导搜索”（b）范式的局限，以及WebWeaver的动态循环与分层写作（c），后者通过迭代优化大纲和针对性检索，提升了报告的质量和可靠性。

WebWeaver框架详解：规划器与写作器的协同作战

WebWeaver的核心是一个双智能体框架，由规划器和写作器组成，整体流程如图3所示。规划器负责探索阶段，通过动态研究循环交替进行证据收集和大纲优化。不同于静态方法，规划器在每个步骤中选择搜索、优化大纲或终止动作。当证据不足时，它执行搜索：查询搜索引擎，获取标题、片段和URL，然后通过LLM过滤相关URL，提取摘要反馈到上下文中，并将详细证据存入记忆库。这一过程确保了探索的适应性，让大纲随着新发现不断精炼，最终输出一个全面的、带引用的大纲，每个部分链接到记忆库中的证据ID。

规划器输出示例，上下滑动，查看更多

向下滑动查看所有内容

写作器则处理合成阶段，避免单次生成的弊端，转而采用分层检索和写作策略。它按大纲逐节构建报告：识别子任务，检索相关证据，进行内部思考（分析内容、合成洞见、规划叙事），然后写作输出。完成后，移除已用证据，防止上下文溢出和干扰。这种“分而治之”的方法模拟人类专注写作，缓解了“中间丢失”和“上下文溢出”问题。框架使用ReAct作为智能体范式，定义了明确的动作空间（如搜索、检索、写作），并引入记忆库管理长上下文输入（超过100k令牌）和输出（超过20k令牌）。

写作器输出示例，上下滑动，查看更多

向下滑动查看所有内容

这一设计哲学源于对人类认知的深刻洞察：研究不是线性管道，而是迭代循环；写作不是蛮力处理，而是专注子任务。WebWeaver通过这种方式，不仅提升了报告的全面性和可靠性，还为复杂信息景观导航提供了新范式。

图3：WebWeaver整体工作流程。左侧显示规划器的迭代证据收集和大纲优化，右侧展示写作器的分层检索与写作，确保每个部分仅使用相关证据，避免长上下文问题。

实验验证：基准领先与深入分析

为了验证WebWeaver的有效性，研究团队在三大基准上进行了广泛实验：DeepResearch Bench（100个博士级任务，覆盖22领域）、DeepConsult（商业咨询领域提示集）和DeepResearchGym（真实信息寻求查询）。使用不同LLM如Qwen3系列、Claude-sonnet等作为后端，WebWeaver一致超越开源（如WebShaper）和专有系统（如Gemini-2.5-pro-deepresearch）。例如，在DeepResearch Bench上，WebWeaver（Claude-sonnet-4-20250514）取得50.58的整体RACE分数，93.37%的引用准确率；在DeepConsult上，胜率达66.86%；在DeepResearchGym上，平均分数96.77。这些结果源于动态循环带来的深度和广度提升，以及分层写作的可靠性保障。

进一步的分析揭示了框架组件的贡献。规划统计显示，平均16次搜索和2次以上大纲优化，生成4k+令牌的大纲，处理67k+证据令牌。这证明了迭代优化的必要性：随着优化轮次增加，报告分数稳步上升（如图5和6所示），特别是在全面性和洞见维度。LLM判断也确认了大纲质量的提升（图7和8）。对比分层写作与蛮力写作（如LongWriter），前者在洞见和可读性上大幅领先（图9和10），验证了注意力管理的关键作用。

此外，团队构建了WebWeaver-3k SFT数据集，通过强大教师模型生成3.3k规划和3.1k写作轨迹，用于微调小型模型（如Qwen3-30b）。结果显示，微调后模型在基准上显著提升，例如引用准确率从25%跃升至85.90%（图12），证明了复杂技能（如思考、搜索、写作）的可蒸馏性。这为实际部署小型模型提供了宝贵途径。

相关工作与启示：从深度研究到长写作的演进

WebWeaver与现有深度研究智能体密切相关，但超越了它们。专有系统如Claude Research虽强大，但不透明；开源如OpenDeepResearch、GPT Researcher采用静态大纲和单步生成，导致不连贯和幻觉。WebWeaver强调大纲优化和分层写作，确保流畅性和准确性。在长写作领域，它区别于LongWriter的“计划后写”策略，后者依赖静态计划和蛮力输入，而WebWeaver实现动态优化和针对性检索。

这一工作不仅解决了OEDR的具体问题，还为AI智能体设计提供了新蓝图：通过系统级信息管理和精确动作，将长上下文难题转化为结构化任务。这启示未来智能体应注重人类式迭代，而非被动处理。

结语：WebWeaver开启AI知识工作的未来

阿里通义实验室的WebWeaver框架标志着AI在开放式深度研究领域的重大进步。它通过模拟人类过程，实现了从海量网页中提炼洞见的高效路径，并在基准中证明了其优越性。更重要的是，它展示了如何通过SFT数据集将专家技能注入小型模型，推动AI的民主化。未来，这一范式可能扩展到更多知识密集任务，助力AI从工具向智能伙伴转型。研究者们可通过上述链接深入探索，推动这一领域的进一步创新。