![[译] 从 OpenDeepResearch 背后的设计演进，解读 AI 领域反复学到的一课（2025）](https://arthurchiao.art/assets/img/ai-bitter-lesson/multi_agent_v1.png)
ARTHURCHIAO'S BLOG
·
[译] 从 OpenDeepResearch 背后的设计演进，解读 AI 领域反复学到的一课（2025）
内容提要
本文探讨了AI研究中的“苦涩教训”，强调计算能力的重要性。以Open Deep Research为例，作者指出过度结构化限制了模型潜力，最终转向灵活的多代理系统以提高研究效率。总结提到需重新评估假设并简化结构，以适应模型能力的提升。
关键要点
-
AI研究领域反复学到的教训是计算能力的重要性。
-
过度结构化限制了模型的潜力，导致研究效率低下。
-
Open Deep Research的案例展示了从结构化到灵活多代理系统的转变。
-
在AI工程中，快速演进的模型需要重新评估假设和结构。
-
随着工具调用能力的提升，之前的结构可能会成为瓶颈。
-
最终转向多代理系统以提高灵活性和研究策略的规划能力。
-
总结强调理解应用结构和及时评估假设的重要性。
-
AI应用设计哲学仍在发展，模型能力将不断增强。
延伸解读
计算能力的重要性
在AI研究中，计算能力被认为是成功的关键因素。随着技术的进步，研究者们需要不断更新对模型能力的理解，以便充分利用这些计算资源。过度依赖结构化方法可能会限制模型的潜力，因此灵活性和适应性变得尤为重要。
结构的双刃剑
虽然结构化方法在某些情况下可以提高效率，但它们也可能成为创新的障碍。Open Deep Research的案例表明，随着工具和技术的进步，原有的假设和结构需要被重新评估，以避免阻碍研究的灵活性和有效性。
多代理系统的优势
转向多代理系统为AI研究提供了更大的灵活性和适应性。通过允许各个代理独立工作并进行有效沟通，研究者能够更好地应对复杂任务。这种方法不仅提高了研究效率，还能更好地利用不断增强的模型能力。
延伸问答
AI研究中反复学到的主要教训是什么？
AI研究中反复学到的主要教训是计算能力的重要性，过度结构化会限制模型的潜力。
Open Deep Research是如何转变其研究策略的？
Open Deep Research从过度结构化转向灵活的多代理系统，以提高研究效率和灵活性。
为什么过度结构化会影响AI模型的表现？
过度结构化限制了模型利用不断增长的计算能力，导致研究效率低下。
在AI工程中，如何应对模型能力的快速演进？
需要重新评估假设和结构，以适应模型能力的提升，避免僵化的研究策略。
多代理系统在AI研究中的优势是什么？
多代理系统提高了灵活性和研究策略的规划能力，能够更好地利用工具调用。
AI应用设计哲学目前处于什么阶段？
AI应用设计哲学仍在发展中，但模型能力将不断增强，这是设计中最重要的考虑因素。
