DeepResearcher自我反思调整功能的技术实现有何特点？

2025-08-26

1.2 K

自适应优化机制

该功能基于强化学习的策略梯度(Policy Gradient)方法实现独特的三阶段优化：

初始评估阶段：通过预训练的Reward模型对搜索结果质量打分（0-1区间）
策略调整阶段：当置信度得分＜0.7时，触发查询重构模块，可能：
- 扩展/收缩搜索范围（如”AI医疗”→”人工智能辅助诊断”）
- 增加限定条件（添加时间、地域等过滤器）
- 切换数据源类型（从新闻转向学术数据库）
最终验证阶段：调整后的策略需要产生显著更高的奖励信号才会被纳入长期策略库

关键技术突破在于将传统RL的离散动作空间扩展为包含语义理解的连续策略空间，这使调整过程更接近人类研究者的思维模式。