Introducing Deep Research and Deep Research Max

原文链接：https://blog.google/innovation-and-ai/models-and-research/gemini-models/next-generation-gemini-deep-research/ 来源：Google Blog / Google DeepMind 发布日期：2026-04-21

速查卡

文章背景

过去一年，行业里所有人都在说 “deep research”，但大多数产品其实只做到了一半：能搜网页、能拉长上下文、能多跑几轮检索，却很少真正解决三个最硬的问题：

1. 怎么接入企业自己的私有数据；
2. 怎么处理受限的专业数据库；
3. 怎么把输出变成能交付的图表和报告，而不是一长串文字。

Google 这篇文章真正重要的地方，不是它也做了一版研究 agent，而是它第一次把这些缺失都正面补上，而且补得很产品化。

页面的 H1 是 “Introducing Deep Research and Deep Research Max”，副标题则更直白：

“Deep Research Max: a step change for autonomous research agents.”

这里的关键词不是 research，而是 autonomous research agents。Google 在明确宣告：研究工具不再只是“会帮你找资料”，而是会逐渐变成“能代表你跑完整研究工作流”的代理系统。

完整内容还原

1. 双 SKU：Google 把前台交互与后台重研究分开了

文章最关键的产品设计，是把 Deep Research 分成两档：

• Deep Research：更低延迟、更适合交互式使用；
• Deep Research Max：更高质量、更完整综合、更适合异步后台任务。

原文强调 Max 使用：

extended test-time compute to iteratively reason, search and refine the final report.

这句话很关键。很多厂商嘴上说自己在做 research agent，实际上只是在把一次性的回答拉长一点。Google 这里说得非常明确：Max 的核心不是“更大模型”，而是“让系统花更多时间迭代推理、搜索、修正和综合”。

换句话说，Google 把 “慢一点但更完整” 正式做成了一个可售卖的产品形态。

2. MCP：从网页搜索器升级为企业系统入口

文章最硬的一条新增能力，是 MCP 支持：

You can now seamlessly connect Deep Research to your custom data and specialized professional data streams securely via MCP.

这句的分量很大，因为它把 Deep Research 的边界彻底改写了。以前 deep research 的默认世界是公开网页，现在它开始进入：

• 企业内部知识库；
• 专业金融/市场数据；
• gated source；
• 受权限控制的资料流；
• 各类专有工具和数据库。

原文还补了一句：

Deep Research supports arbitrary tool definitions which transforms it from a web searcher into an autonomous agent capable of navigating any specialized data repositories.

这基本等于官方承认：如果没有 tool interface，没有企业数据连接器，研究 agent 就只能停留在 demo 层。

3. native charts and infographics：第一次把“可交付性”写进产品本身

另一条被很多人低估的新增能力，是：

A first for Deep Research, the system can generate presentation-ready charts and infographics natively.

这句话意义很大。原因不是“AI 会画图”——那早就不稀奇了——而是研究 agent 的输出终于开始从“文本答复”升级为“交付件”。

真实研究工作里，最耗时间的并不是读材料本身，而是：

• 把信息组织成结论结构；
• 找关键数字；
• 做对比表；
• 画图；
• 做给老板或客户看的 deliverable。

Google 把 charts/infographics 原生塞进系统，说明它理解研究 agent 的真实终点不是“答出来”，而是“交出去”。

4. 专业数据合作：Google 先占 data provider 生态位

文章点名与 FactSet、S&P、PitchBook 的合作设计：

We are actively collaborating with FactSet, S&P and PitchBook on their MCP server designs…

这个表述特别重要，因为它说明 Google 不打算只卷模型能力，而是去占最关键的专业数据上游生态。

研究 agent 真要进入金融、咨询、医药等高价值行业，最大的门槛从来都不是“会不会写总结”，而是：

• 能不能进入真正有价值的数据源；
• 权限能不能控住；
• 数据引用能不能追踪；
• 输出能不能经得起业务使用。

Google 直接把 FactSet、S&P、PitchBook 拉进来，本质上是在做一件比模型参数更重要的事：给 Deep Research 铺专业数据高速路。

5. 行业工作流：Google 把 deep research 从 consumer feature 抬到了 vertical workflow

原文明确提到 finance、life sciences 等专业场景。这里最值得注意的点是，Google 不再把 Deep Research 包装成一个泛泛的“信息收集助手”，而是开始往垂直行业研究工作流里放。

这会带来两个结构性变化：

1. 产品评价标准不再只是“回答像不像”，而会变成“数据源够不够硬、引用准不准、流程稳不稳”；
2. 竞争对手不再只是别家聊天机器人，还包括专业数据库、咨询工作流软件、企业知识管理工具。

核心技术洞察

1. Deep Research Max 的本质不是更大，而是更“慢思考”

很多人一看到 Max 容易自动理解成“更贵更强的一档”。但从原文看，Max 最重要的设计不是简单堆参数，而是 extended test-time compute。这个设计很像把研究工作的真实时间结构产品化：

• 不是立刻回你；
• 而是允许系统反复搜索、反复综合、反复修正；
• 最后产出更高完整性的报告。

这意味着研究 agent 的竞争，正在从“单轮智能”转向“多轮后台过程质量”。

2. MCP 是 research agent 进入企业的真正门票

过去很多 deep research 功能都困在公开网页上，一到企业场景就失效。MCP 的意义在于，它给研究 agent 提供了稳定、权限化、工具化的接口层。没有这层，所谓研究 agent 很难真正接入企业流程。

Google 这次把 MCP 放在主宣传位，说明行业已经从“要不要接工具”进入“谁的工具接入更像企业系统”的阶段。

3. 可视化输出说明研究 agent 的目标已经从“解释”变成“交付”

Charts 与 infographics 的加入，意味着系统不再只负责分析，还开始承担一部分 analyst / associate / consultant 的交付工作。这个变化很关键，因为它决定了产品能不能真正吃到更大的预算。

横向对比

批判性分析

这篇文章没有解决的现实问题

1. 引用可信度与审计 接入越多数据源，越容易出现“结论看起来很完整，但引用链不够硬”的问题。文章强调了能力，但没有充分展开审计与引用管理细节。

2. 权限与合规 MCP 让 agent 更强，也让权限边界更复杂。谁能接什么数据、能做什么写回动作、哪些数据能出现在最终报告里，这些都决定企业能否放心放量。

3. 成本与延迟 extended test-time compute 很诱人，但真实企业问题会马上追问：到底慢多少、贵多少、什么时候值得用 Max 而不是普通版。

独立观察

• Google 这次真正发布的不是一个新功能，而是一种研究 agent 的产品范式：双档位、可接工具、可接私有数据、可产出图表、可跑后台任务。
• 这会迫使整个行业重新定义 deep research。以后只会搜网页、不会连企业数据的产品，会越来越像低配版。
• 对 Lighthouse 这类情报系统来说，这篇文章也很有参考价值，因为它把“网页检索 + 专业数据库 + 异步后台 + 交付件”这四件事拉进了同一工作流里。

结论

Google 这篇文章最核心的信号是：研究 agent 不再只是“比聊天机器人多搜几篇网页”，而是开始变成一种真正可嵌入企业工作流的分析系统。Deep Research 负责前台快速研究，Deep Research Max 负责后台高完整性综合；MCP 负责把网页世界扩展到企业和专业数据世界；原生图表与信息图负责把结果推进到可交付层。研究 agent 这条线，到这里才算真正从 demo 迈进生产系统。