这篇文章首次系统梳理了深度研究系统的强化学习基础，从数据合成、RL方法、训练框架三大核心支柱出发，总结了RL训练的新机制与优化结构。文章通过系统性文献综述方法，分析了"如何用强化学习训练深度研究智能体"这一核心问题，提出了可复现的研究范式与方法论地图，为深度研究系统的实践提供了全面指导。
题目：REINFORCEMENT LEARNING FOUNDATIONS FOR DEEP RESEARCH SYSTEMS: A SURVEY
论文地址：https://arxiv.org/pdf/2509.06733
代码地址：https://github.com/wenjunli-0/deepresearch-survey
创新点：
• 首次系统梳理了深度研究系统的强化学习基础，是首篇专门聚焦于深度研究系统RL基础的综述，填补了该领域的空白。从训练角度系统梳理了数据合成、RL方法、训练框架三大核心支柱。
• 总结了RL训练的新机制与优化结构，归纳了冷启动、课程学习、异步 rollout、上下文控制、搜索必要性学习等新机制，提出动态采样与熵触发分支等加速收敛策略。
方法：
本文采用系统性文献综述方法，围绕“如何用强化学习训练深度研究智能体”这一核心问题，从2025年2月至9月新发表的近百篇论文中，按“数据合成与筛选—RL算法与奖励设计—训练框架与系统—部署架构与多智能体协调—评估基准”五条主线，逐层抽取研究方法、奖励类型、优化器、冷启动策略、工具接口、并行方式、信用分配机制、观测工程细节等关键要素，通过统一模板对每篇工作进行元数据编码与横向对比，归纳出冷启动+课程学习、结果/步骤级混合奖励、GRPO/PPO/REINFORCE++选型准则、异步actor-learner、trainer-agent解耦、MAPPO与无评论家组相对优势、原始像素裁剪与双图重条件、过程+节俭报告规范等可复现的研究范式，最终形成一份面向实践的方法论地图与选型指南。
深度研究智能体分层协作流程图
本图用一张“Planner–Coordinator–Executor”三层架构示意图，把深度研究系统的工作流抽象成一次“用户提问→最终答案”的完整闭环：顶层 Planner 负责把用户用自然语言提出的复杂需求拆成可验证的目标、约束与成功标准，并以结构化提示的形式发给下层；中间 Coordinator 像任务调度器，根据复杂度把子任务路由到搜索、代码、报告等专用 Executor，同时汇总返回的日志、引用与参数；底层 Executor 群是真正的工具池，完成网页检索、浏览、代码运行、证据抽取等脏活累活，再把结果逆流回 Coordinator 做去重、校验与拼接，最终由 Planner 生成带引用、可溯源的最终答案。
深度研究智能体强化学习研究全景图
本图把2025年2月至9月里涌现的近百篇相关工作，按“数据合成与策展→RL训练方法与奖励设计→多模态扩展→训练框架→开源/学术架构→多智能体协调→评估基准”七大板块，像分子结构式一样排布成一张全景表。每个节点都是一篇（或一组）代表文献，箭头隐含逻辑先后：左侧聚焦“怎么造数据、怎么设奖励”，中间解决“用什么框架、怎么训得稳”，右侧落到“怎么部署、怎么测”。整张图一眼可见三大趋势——①数据侧从“人工标注”全面转向“合成+课程+难度标签”，②算法侧从单模型PPO/GRPO走向“步骤级奖励+多模态动作空间+异步采样”，③系统侧从单智能体微调过渡到“Planner-Coordinator-Executor”分层、甚至多Agent联合RL。
深度研究任务四级复杂度阶梯
本图用一座四级阶梯形象地刻画了深度研究任务从“简单检索”到“多模态协同”的复杂度跃迁：最底层的Level 1只需单点信息检索即可答出，像查天气；Level 2出现线性多跳链条，需按顺序串起若干事实，典型如HotpotQA；Level 3把链条拆成高不确定性的复杂图，节点之间没有固定路径，必须反复探索与验证，但仍局限在纯文本；Level 4则进一步引入图像、音频、代码等多模态证据，要求智能体自主决定“先搜图还是先搜文、是否执行代码”，并在跨模态证据间来回切换、综合推理才能得出答案。阶梯左侧用英文短语概括每级特征，右侧留白暗示“越往上越需要RL训练、课程学习与多工具预算管理”。
实验
该表格把近期深度研究Agent的数据工作一分为二：上半部分“造新数据集”集中展示六篇通过爬取、交叉网页、多跳浏览或图文对生成，从零开始推出WebPuzzle、CrawlQA、SailorFog-QA、BrowseComp-VL等基准的论文，它们共同特点是“任务难度可控、带难度标签、多模态或跨页推理”，目的是直接服务RL训练；下半部分“系统/管道”列出九篇不发布新数据集、而是基于NQ、HotpotQA、MuSiQue等现成语料，通过即时爬取、难度重标、rollout前缀、合成变换或课程筛选，把“旧酒”装进“新瓶”来适应Agentic RL需求的工作，体现出“轻量级、快速迭代、无需重新标注”的思路。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
