Deep Research, Deep Search e Search: quais são as diferenças
(leehanchung.github.io)- Recentemente, laboratórios de IA vêm anunciando várias funcionalidades usando o termo Deep Research
- O Google lançou o Gemini 1.5 Deep Research em dezembro de 2024, a OpenAI lançou o Deep Research em fevereiro de 2025, e a Perplexity apresentou seu próprio Deep Research logo depois
- Além disso, DeepSeek, Qwen da Alibaba e a xAI de Elon Musk passaram a introduzir recursos de Search e Deep Search em assistentes de chatbot
- No GitHub, surgiram dezenas de implementações open source de “deep research”
- Isso sugere que, assim como aconteceu com Retrieval-Augmented Generation (RAG) em 2025, o termo “deep research” está sendo usado sem uma definição clara
Deep Research, Deep Search ou apenas Search
Google: “Deep Research usa IA para explorar temas complexos e fornecer relatórios abrangentes e fáceis de ler, mostrando que o Gemini está ficando ainda mais capaz de lidar com tarefas complexas e economizar tempo.” -
OpenAI: “Deep Research é o agente de próxima geração da OpenAI: quando o usuário fornece um prompt, o ChatGPT busca, analisa e sintetiza centenas de fontes online para gerar um relatório abrangente no nível de um analista de pesquisa.”
Perplexity: “Quando você faz uma pergunta de Deep Research, o Perplexity realiza dezenas de buscas, lê centenas de fontes, raciocina sobre o material e entrega autonomamente um relatório abrangente.”
- Tirando os termos de marketing, deep research pode ser definido da seguinte forma
Um sistema de geração de relatórios que aceita uma consulta do usuário, usa um modelo de linguagem grande (LLM) como agente para buscar e analisar informações de forma iterativa e produz um relatório detalhado
- Em termos de processamento de linguagem natural (NLP), isso é conhecido como report generation
Formas de implementação
- Desde o surgimento do ChatGPT, geração de relatórios, ou “deep research”, tornou-se um dos principais focos da engenharia de IA
- O autor experimentou isso em um hackathon no início de 2023, quando a engenharia de IA ainda estava começando a ganhar força
- Ferramentas e inúmeros demos como LangChain, AutoGPT, GPT-Researcher e prompt engineering receberam grande atenção no Twitter e no LinkedIn
- Porém, o verdadeiro desafio está nos detalhes de implementação
- A seguir, são explorados padrões gerais para construir sistemas de geração de relatórios, destacando suas diferenças e classificando o que diferentes fornecedores oferecem
Sem treinamento: grafo acíclico direcionado (DAG)
- No início, descobriu-se que não era prático pedir a LLMs como o GPT-3.5 que gerassem um relatório do zero
- Em vez disso, foi usado o padrão Composite para encadear várias chamadas de LLM
- A consulta do usuário é decomposta para gerar um esboço do relatório
- Para cada seção, busca-se e resume-se informação relevante em mecanismos de busca ou bases de conhecimento
- Por fim, usa-se a LLM para combinar as seções em um relatório coerente
- O GPT-Researcher é um exemplo disso
- Todos os prompts desse sistema são cuidadosamente ajustados por meio de prompt engineering
- A avaliação depende de verificação subjetiva do resultado, e a qualidade do relatório é inconsistente
- Quando funciona, é excelente, mas nem sempre é estável
Sem treinamento: máquina de estados finitos (FSM)
- Para melhorar a qualidade dos relatórios, engenheiros adicionaram complexidade à abordagem DAG
- Em vez de um processo de passagem única, introduziram padrões estruturados como Reflexion e self-reflection para que a LLM revise e melhore sua própria saída
- Isso transforma um DAG simples em uma máquina de estados finitos (FSM), com a LLM guiando parcialmente as transições de estado
- Assim como no método DAG, todos os prompts são escritos manualmente, e a avaliação é subjetiva
- Como o sistema é ajustado manualmente, a qualidade do relatório ainda varia bastante
Com treinamento: ponta a ponta
- As limitações dos métodos anteriores — prompt engineering aleatório e falta de métricas de avaliação mensuráveis — levaram à busca por mudanças
- O STORM, de Stanford, resolve esses problemas ao otimizar o sistema de ponta a ponta usando DSPy
- Como resultado, o STORM gera relatórios com qualidade comparável à de artigos da Wikipédia
Com treinamento: modelos de raciocínio em larga escala
- Com a melhora da capacidade de raciocínio das LLMs, modelos de raciocínio em larga escala se tornaram uma opção atraente para deep research
- Por exemplo, a OpenAI treina seu modelo de Deep Research da seguinte forma
- Avalia as saídas usando LLM-as-a-judge e rubricas de avaliação
- O Gemini do Google e o assistente de chat da Perplexity também oferecem recursos de “deep research”, mas não divulgam documentação sobre como otimizaram os modelos ou sistemas, nem avaliações quantitativas substanciais
- No entanto, o gerente de produto de Deep Research do Google mencionou em uma entrevista em podcast: “Temos acesso especial. É praticamente o mesmo modelo (Gemini 1.5). Claro, fazemos nosso próprio trabalho adicional de pós-treinamento”
- Isso sugere que o peso do trabalho de fine-tuning não é tão grande
- Enquanto isso, o Grok da xAI se destaca em geração de relatórios, mas parece não buscar além de duas iterações
- Ou seja, faz algumas buscas para as seções do esboço e algumas buscas para cada seção
Cenário competitivo
- Foi desenvolvido um mapa conceitual para avaliar as capacidades de vários serviços que oferecem recursos de deep research
- Eixo vertical: profundidade da pesquisa (número de ciclos iterativos de coleta de informação adicional com base em resultados anteriores)
- Eixo horizontal: nível de treinamento (de sistemas ajustados manualmente até sistemas totalmente treinados com técnicas de machine learning)
- Sistemas com treinamento representativos:
- OpenAI Deep Research: sistema baseado em reinforcement learning otimizado para tarefas de pesquisa
- DeepSeek: treinado para raciocínio geral e uso de ferramentas, podendo se adaptar a demandas de pesquisa
- Google Gemini: LLM amplamente treinada, mas não especializada em pesquisa
- Stanford STORM: sistema que otimiza todo o processo de pesquisa de ponta a ponta
- Esse framework ajuda a entender como cada serviço equilibra a profundidade da pesquisa iterativa e a abordagem de treinamento
Conclusão
- A tecnologia de deep research está evoluindo rapidamente, e técnicas que há poucos meses não funcionavam ou nem estavam implementadas agora estão sendo aplicadas com sucesso
- No entanto, o uso ambíguo da terminologia aumenta a confusão
- Espera-se que este texto ajude a esclarecer as diferenças técnicas e a evitar que as pessoas se deixem levar por termos de marketing
2 comentários
Mas só existe um Lee Sedol, e ele não pode ser clonado
Opinião no Hacker News
A distinção proposta por Han Xiao entre DeepSearch e DeepResearch é muito interessante
Um colega brincou: "AlphaGO venceu Lee Sedol, mas Lee Sedol tem um algoritmo de direção autônoma muito melhor"
Parece capturar bem a diferença entre o que a OpenAI e outras empresas estão oferecendo
A IA está se diversificando cada vez mais, e é provável que surjam vários tipos de agentes
Dizem que o Grok é excelente para gerar relatórios, e pedir respostas em formato de tabela facilita a comparação
DR é uma boa forma de coletar informações e realizar pesquisa de fato a partir de um ponto de partida focado
Comparando o OpenAI Deep Research com o Deep Research da Perplexity, há uma diferença de "estreito e profundo" vs. "raso e amplo"
Tenho testado vários fluxos de trabalho com Deep Search/Research
O STORM foi muito bem avaliado, mas o GPT Researcher não
São as maiores plataformas de organização de informação da internet, mas ainda não consigo encontrar outras palavras para descrever o produto