双榜认证，iFlow-Researcher 登顶 DeepResearch-Bench-II，拒绝“幻觉式科普”

iFlow_AI · 2026-05-25 17:14:57 发布

大模型回答一个问题很容易，但完成一项研究级任务很难。

过去两年，Chatbot 类产品完成了“对话可用性”的验证：写摘要、改文案、做翻译都已成熟。但一旦进入深度调研、行业分析、学术综述这类场景，短板就会暴露出来：

生成结果可能读起来通顺，却经不起细究——引用对不上、逻辑接不上、数据与结论无关联。

这不是模型不够聪明，而是“单轮对话”这个范式本身无法承载复杂研究。

那么，如何让 AI 从“看起来很懂”变成“真实可用”？

iFlow-Researcher 给出了答案。

这个由未来生活实验室-心流团队与南京大学联合研发的多智能体系统最近在两个权威评测中成绩亮眼：

iFlow-Researcher 是什么？

iFlow‑Researcher是一个多智能体系统。面对复杂的研究任务，不再依赖一个庞大的 prompt，而是把规划、取证、撰写、校验拆成 10 多个独立节点，分工协作，最终产出一份结构完整的深度研究报告。

面对上文提到的输入模糊、证据分散、推理链条长、产出标准严格等核心难点，iFlow‑Researcher 用分解、并行、收敛与可观测四个方法来解决，让“模糊请求”顺利执行到“可交付报告”。

以下是 iFlow‑Researcher 的整体执行链路：

阶段 1 · 立题

目标：把模糊请求转化为执行计划
- 角色设定：明确扮演的研究者身份、任务背景
- 任务规划：将用户请求拆解为具体的子任务清单

这一阶段是整个过程的基础，后续所有节点都围绕同一个执行计划工作，避免方向跑偏。

阶段 2 · 取证

目标：把分散信息转化为可用证据集合
- 感知探测：解析意图并探测可获取的外部信息（调用心流 search API）
- 数据收集·并行：按子任务并行抓取证据（心流search+ fetch API 并发拉取）

心流 API 是这一阶段的唯一外部依赖——能不能拿到证据、证据是否新鲜，完全由它兜底

各阶段之间通过共享memory（计划+中间结果）机制，保证后一阶段能拿到前一阶段的产物，以实现前后章节的逻辑连贯。

iFlow‑Researcher 在系统层面内置了多层护栏，把常见失败模式对应成执行原则：

原则	核心观点	解决的问题
Graph as Contract	节点边界即契约，输入输出有类型，编排器不靠"猜"	长链漂移
Parallel as Default	默认 fan-out，用 `Send()` 调度子任务，串行只在确实有依赖时才用	总延迟过高
Tools as Capability Layer	搜索/抓取/配图等能力封在工具层；当前实现统一由心流（iFlow）API 提供，节点按名字调用	提供方与智能体硬耦合
Memory as Continuity	短期 scratchpad 局部用，长期 memory 贯穿全程做证据真源	阶段断层、引用漂移
Mode as Trade-off	不同运行模式 = 同一张图的不同遍历，把延迟/成本/深度的权衡显式化	没有取舍空间
Validation as Guardrail	打包前先对账，失败就带结构化反馈回 `post_process`，而不是悄悄交付	没有质量把控

这些设计叠加在一起，让 iFlow‑Researcher 跑得稳、写得准。

整条流水线对外的检索/抓取能力，统一由 心流（iFlow）API 提供。