Perplexity 深度研究
通过并行检索和模型编写代码，构建研究搜索流程。任务：建议落地方案：由一个主导智能体规划研究并将计划保存到记忆中。它生成并行子智能体从不同角度进行搜索，同时模型编写代码来组装其自身的搜索。最后，由一个独立的引用智能体将每个声明与其来源匹配。人工角色：定义研究范围并审查最终报告的准确性。；工具：原文所述工具。人工角色：原始材料未说明；局限：这是一个消耗大量 token 的设置，因此仅用于值得付出成本的问题。来源是公开帖子的二手摘要，请对照原始供应商文档进行验证。在发布或根据研究结果采取行动之前，需要人工批准。。
工具
原文所述工具
Agent Work Atlas 发布日期:
概述
通过并行检索和模型编写代码，构建研究搜索流程。
工作流程
建议落地方案：由一个主导智能体规划研究并将计划保存到记忆中。它生成并行子智能体从不同角度进行搜索，同时模型编写代码来组装其自身的搜索。最后，由一个独立的引用智能体将每个声明与其来源匹配。人工角色：定义研究范围并审查最终报告的准确性。
原文报告的结果
来源报告称，Perplexity 的 Deep Research 将其 BrowseComp 分数从 40.7% 提升至 83.8%。这是一个基准测试指标，而非经过验证的业务成果。实际部署结果、成本和时间节省情况未知，需要独立测试。
人工角色
原始材料未说明
局限
这是一个消耗大量 token 的设置，因此仅用于值得付出成本的问题。来源是公开帖子的二手摘要，请对照原始供应商文档进行验证。在发布或根据研究结果采取行动之前，需要人工批准。
试一试
我想测试一个针对特定业务问题的并行研究工作流。我的主题是 [可替换主题]，我的关键问题是 [可替换问题]。首先，在少量来源上进行试运行，以验证引用准确性和逻辑流程。如果试运行成功，则进行完整研究。使用主导智能体规划搜索，生成并行子智能体处理不同角度，并让模型编写代码来组装搜索。最后，使用引用智能体将每个声明与其来源匹配。输出带有清晰引用的结构化报告。通过经过验证的来源的声明百分比以及与手动研究相比所花费的时间来衡量成功。未经我明确确认，请勿发布或使用结果。
来源报告未经独立核验。发布日期为本站案例发布日期，并非原始文章日期。