深度搜索是一种基于大型语言模型的写作系统，旨在围绕特定主题进行框架构建、资料收集与调研成果的整合，核心价值在于通过多步骤推理和多模态信息处理，能够高效完成复杂的研究任务。深度搜索适合需多步骤推理、跨源数据整合的任务，在学术研究中的应用包括进行跨学科文献综述、开展复杂的实验设计与数据分析等。
提示：使用深度搜索功能，如成功生成研究报告，每次消耗的 token 数约在 100 万到 200 万之间。
深度搜索高昂的 token 消耗，本质上是在充分发挥模型能力的前提下，理解与实现用户复杂研究需求的必然权衡：在深度搜索的完整过程中，采用了效率与质量的平衡策略，即动态搜索确保信息的时效性，多模态处理提升分析深度，超长上下文支持连贯推理，结构化输出满足专业需求。若 token 数不足，将无法实现全流程功能。
因此，在开始使用深度搜索功能之前，我们可以通过查看输入框下方的精选案例，初步了解深度搜索功能在整合多源数据，动态优化研究路径，自动生成结构化报告等方面的具体应用。
使用流程
作为 AI 驱动的深度研究助手的重要功能，深度搜素旨在通过自动化流程完成复杂主题的系统性研究，使用步骤包括用户输入研究主题、自动爬取全网权威信息和生成结构化报告三部分。以下将围绕使用深度搜索功能，开展文献综述这一角度，介绍深度搜索的使用流程。
输入研究主题
在输入框内，输入某一具体的研究主题，点击发送按键后，模型会在理解用户意图的基础上，将该主题拆解为多个相关子任务。
在输入研究问题时，我们可以灵活使用以下技巧，以取得更好的效果：
初始提问直接以自然语言表达核心需求，这一方式尤其适合对某一领域不熟悉的用户快速进入研究流程。具体到学术研究层面，围绕某一主题进行跨学科文献综述，或进行实验设计与数据分析，亦或进行复杂问题解构与研究，均是深度搜索的理想应用场景。
使用权威学术资源优先策略，即在输入的主题添加上类似“优先访问 PubMed 和 IEEE Xplore”指令，提升学术资源在数据源中的占比，使得生成的内容更加真实可信，且更具学术价值。
不必担心输入的研究主题过于宽泛，请放心大胆地使用深度搜索功能进行探索，如检索到的信息不足以生成详尽的调研报告，只需对输入的内容进行进一步的补充或阐述即可。
形成研究框架，检索全网信息
在输入研究问题后，模型会在充分理解查询意图的基础上，将研究问题拆解为多个子任务。
在充分理解用户的查询意图的基础上，模型会自动生成相应的研究框架，并按照该框架，在全网进行深度搜索相应资料。
不同于一般检索，深度搜索具有以下优势：
基于大模型的语义理解能力，在识别查询意图的基础上进行任务拆解，确保信息覆盖的全面性。
采用闭环验证机制，自动识别信息缺口，并触发多轮搜索（一般为 3 - 5 轮），极大提升了信息密度。
通过上下文窗口整合跨源数据，生成结构化报告，避免信息的简单罗列。
生成结构化报告
完成关键信息的检索后，模型会在研究大纲的基础上生成结构化报告，等待时间约为 3 - 6 分钟。
将光标移动至引文部分，可查看对应内容的直接来源，点击对应链接，可直接打开来源网页，方便验证生成的内容是否真实可信。
如需对内容进行进一步调整，我们可以选择将结构化报告保存至“我的文档”，在文档写作模块对内容进行编辑与润色，或者将报告导出成 word，在其它文档编辑工具中进行继续写作。
历史记录查看与编辑
在右侧的历史记录列表，可以查看已生成的研究内容，相关记录按照生成时间倒序排列。对于生成失败的查询记录，我们可以将其删除。
