一、主要功能

1. 任务分解与原子能力整合：将复杂研究任务拆解为规划、信息检索、反思交叉验证、专业报告生成等可训练的原子能力，实现模型层面的深度内化，确保单次推理过程中的闭环反思与动态修正。
2. 自主信息探索：依托内置的专业化工具集，支持批量网络搜索浏览、文件读写编辑、任务状态管理、交互式命令执行等操作，自主完成信息收集与整理。
3. 专业报告生成：基于收集到的信息和深度分析，自动生成结构完整、内容专业的研究报告，满足科研、产品调研等场景的输出需求。
4. 跨尺度高效适配：仅 32B 参数就能实现接近顶级商业模型的研究性能，适配不同规模的研究场景，兼顾效果与成本。

二、技术原理

1. 训练 pipeline 设计：构建了从 Agentic Mid-Training 到监督微调（SFT）再到强化学习（RL）的完整优化路径，将训练目标从 “预测下一个令牌” 重塑为 “决定下一个原子动作”，提升模型在复杂环境中的自适应能力和泛化性能。
2. 架构基础：采用基于 ReAct 范式的单代理架构，通过 “推理 - 行动 - 反思” 的动态循环实现自主深度研究，串联感知、决策、记忆、行动四大核心模块，形成高效的研究闭环。
3. 工具集支撑：内置 batch_web_surfer、file、todo、shell 等本地化工具，提供完整的研究工作流支持，无需依赖外部复杂工具链即可完成全流程研究。

三、应用场景

1. 科研探索：帮助科研人员快速收集领域内最新研究成果、整合分析数据、撰写研究报告，降低文献调研和报告撰写的时间成本。
2. 产品调研：为产品经理、市场分析师等提供行业动态、技术趋势、竞品分析等方向的深度调研报告，支撑产品规划与决策。
3. 知识整合：针对特定主题进行全面信息检索与系统梳理，生成结构化的知识文档，助力企业构建知识库或个人学习总结。
4. 专业咨询：为金融、医疗、教育等领域的专业人士提供行业政策、技术进展、市场动态等方面的深度分析，辅助专业咨询决策。

四、使用方法

1. 环境准备：需满足 Python ≥ 3.10、Node.js ≥ 18（前端）的环境要求，通过 uv 或 pip 安装后端依赖，通过 npm 或 yarn 安装前端依赖。
2. 配置环境变量：从 StepFun 开放平台获取 API 密钥，配置模型提供方、API 基础地址、密钥等环境变量，用于模型调用和搜索服务。
3. 运行方式选择：
   • 演示 UI 运行：启动后端服务（默认端口 8001）和前端服务（默认端口 3000），通过前端界面进行任务提交与结果查看。
   • 离线运行：使用 scripts.runner 脚本，通过命令行传入单个任务、任务文件或配置文件，无需 UI 即可执行研究任务，输出结果以 JSON 格式存储在指定目录。
4. 提示词配置：推荐使用 prompt.py 中的系统提示词，以确保模型达到最佳性能。

五、适用人群

1. 科研人员：需要快速开展文献调研、数据整合与研究报告撰写的高校师生、科研机构从业者。
2. 产品与市场从业者：产品经理、市场分析师等需要进行行业趋势、竞品动态、用户需求等深度调研的人员。
3. 企业知识管理者：负责企业知识库构建、行业信息整合的相关人员，需系统梳理特定主题知识。
4. 专业咨询人士：金融、医疗、教育等领域需要持续跟踪行业动态、提供专业咨询服务的从业者。
5. 技术开发者：需要快速了解特定技术领域进展、整合技术方案的研发人员。

六、优缺点介绍

1. 优点：
   • 高性价比：部署和推理成本极低，仅为传统模型的十分之一，同时保持专家级研究能力。
   • 端到端高效：从信息检索到报告生成全流程自动化，无需人工过多干预，大幅提升研究效率。
   • 跨尺度性能优异：32B 参数模型在 Scale AI Research Rubrics 上达到 61.4% 的成绩，匹配顶级商业模型，且在 ADR-Bench 专家评估中表现优于多款更大参数模型。
   • 易于部署：提供完整的本地化工具集和清晰的部署流程，支持演示 UI 和离线运行两种方式，适配不同使用场景。
2. 缺点：
   • 多模态支持有限：当前主要聚焦于文本类信息的研究，对图像、视频等多模态信息的处理能力有待提升。
   • 复杂定制化不足：对于高度个性化的研究流程或特殊领域的深度定制需求，现有工具集和模型逻辑可能需要额外调整。
   • 依赖平台 API：部分核心功能需依赖 StepFun 开放平台的 API 密钥，离线使用时部分高级功能可能受限。

分类标签