Summary
Deep Research Agents (DRA) 支线的系统综述与 roadmap：把 DRA 定义为”用动态推理 + 自适应长程规划 + 多跳检索 + 迭代工具使用 + 结构化报告生成来完成复杂多轮研究任务”的自主系统，并沿 information acquisition / tool-use / workflow / architecture 四轴分类，指出 benchmark 外部知识受限、串行执行低效、评测与目标错配三大缺口。
Problem & Motivation
2025 年 web agent 从”操作网页 GUI”分化出 deep research 支线（OpenAI/Gemini DeepResearch、Tongyi WebSailor 家族），但这类系统的能力边界、组件设计、评测方法缺乏统一梳理。作者提供一张系统地图 + roadmap，界定 DRA 是什么、由哪些能力构成、还差什么。
Method
[未获取全文，仅基于 abstract + 页面结构]
DRA 定义：autonomous AI system，组合 dynamic reasoning、adaptive long-horizon planning、multi-hop information retrieval、iterative tool use、structured analytical report generation，处理复杂多轮信息研究任务。
四轴 taxonomy：
- Information Acquisition：API-based retrieval vs browser-based exploration。
- Tool-Use Frameworks：code execution、multimodal input、Model Context Protocol (MCP)。
- Workflow Types：static vs dynamic planning。
- Agent Architecture：single-agent vs multi-agent。
WebDancer/WebSailor/WebShaper 类系统落在 dynamic workflow / multi-agent 分类下（search + navigate 紧凑工具集 + ReAct 闭环）。
Key Results
综述无实验。核心 open problem：(1) 现有 benchmark 外部知识访问受限；(2) 串行执行效率低（缺并行检索）；(3) 评测指标与真实 DR 目标错配。配 awesome-list 仓库持续维护。
Strengths & Weaknesses
亮点：为 deep-research 这一新范式提供及时的组织框架，四轴分类实用；与 2507-WebSailor（方法代表作）互为”综述-实证”配对，是 WebAgent-Survey deep-research 路线的参考锚点。
局限：(1) 领域演进极快，2025-06 快照会迅速过时（WebSailor-V2 等已出）；(2) 与”操作网页 GUI”的 web agent 边界未充分讨论——DRA 更偏 QA/report，不含真实界面事务操作。属”了解即可”的 landmark reference。
Mind Map
mindmap root((Deep Research Agents Roadmap)) Problem DRA 支线缺地图 Method Info Acquisition Tool-Use MCP Static/Dynamic Workflow Single/Multi-agent Results benchmark 知识受限 串行低效 评测错配
Notes
- 与 “RL Foundations for Deep Research Systems: A Survey”(2509.06733) 互补：那篇偏 RL 训练，本篇偏 agent 组件/架构。