Kimi Researcher团队自述：Agent不是缝合怪，它就是模型（附内测名额）

86 0 0

文章摘要

月之暗面（Moonshot AI）推出了其首个AI Agent产品——Kimi Researcher，该产品定位为一个能够生成带引用来源的深度研究报告的AI Agent，而不仅仅是一个简单的搜索工具。根据技术博客披露的数据，Kimi Researcher在实际运行中平均会搜索超过200个URL，运行70多次搜索查询，最终生成超过1万字的深度报告。在Humanity’s Last Exam（HLE）这一高难度基准测试中，其得分达到26.9%，创下了该测试的最高纪录。

2024年以来，AI Agent领域呈现两个明显趋势：一是从“外挂式”向“内化式”转变，即从依赖外部工具调用转向提升模型本身的能力；二是从规则驱动向学习驱动转变，让AI通过大规模训练自主发现解决问题的策略。Kimi Researcher的推出，正是这一趋势的具体体现。在当前AI领域，Agent被普遍认为是通往通用人工智能（AGI）的重要方向。

目前，行业内构建Agent的主流方法之一，是采用“工作流（Workflow）”模式。例如，Devin 和 Manus 都采用了明显的任务拆分 + 预定义执行流程架构：先由 Planner 制定多阶段计划，然后 Executor 调用工具一步步完成任务，并根据反馈继续调整。这种方法通过提示词工程（Prompt Engineering）和模块化设计，将大语言模型与各种外部工具进行链接，其优势在于流程清晰、可控性强。但同时，这种依赖人类预先设计流程的模式，在面对开放、复杂任务时，也存在灵活性不足、难以泛化等挑战，这促使一些团队开始探索新的技术路径。

Kimi Researcher所选择的，就是另一条不同的技术路线：端到端的强化学习（End-to-End Reinforcement Learning, E2E RL）。这一方法的核心，是让模型在一个模拟的环境中通过大量的自主探索和试错来学习，目标是让模型自己“领悟”出完成任务的策略，而不是严格遵循一套由人类编写的固定步骤。这种将能力“内化”于模型自身的思路，与“工作流”模式下模型作为“调用者”的思路有显著不同。

采用端到端强化学习训练Agent面临诸多技术挑战，首先是环境的不稳定性，网络搜索结果会随时间变化；其次是长序列决策问题，一个研究任务可能需要上百个步骤；最后是计算资源消耗，每次训练迭代都需要大量的“试错”过程。月之暗面通过部分展开（Partial Rollout）等技术创新，将训练效率提升了1.5倍。

值得注意的是，将E2E RL应用于研究型Agent的探索并非孤例。OpenAI官方Deep Research系统卡中提到，该模型学习了包括浏览、使用Python工具进行计算分析以及推理整合大量网站信息的能力。其训练方法与o1模型所使用的强化学习方法一脉相承。根据OpenAI团队成员Isa Fulford 和 Josh Tobin在红杉资本的播客《OpenAI’s Deep Research on Training AI Agents End-to-End》中的分享，Deep Research 并非通过手动将模型和工具拼成 workflow，而是用端到端强化学习在浏览+推理任务上训练模型，让其自主规划、回退、调整策略，Deep Research使用了类似的端到端强化学习进行训练，由于Deep Research处理的任务往往没有标准可验证的答案来提供奖励信号，分析表明他们可能使用了LLM as Judge（大型语言模型作为评判者）来实施强化学习。在强化学习中，奖励机制是核心，而LLM as Judge是一种通过语言模型评估Agent行为并提供反馈的方法。这种方法特别适用于没有明确奖励信号的复杂任务，能够优化Agent的表现。

在产品层面，Kimi Researcher将后端的技术以“双报告系统”的形式呈现给用户：一份是包含详细文字和可溯源引用的深度报告，另一份则是动态、可视化的网页报告，后者通过思维导图和图表来提升信息获取效率。此外，产品在交互上会尝试主动澄清用户的模糊需求，以帮助定义清晰的问题。

Kimi Researcher的推出，标志着AI Agent技术的一次重要突破，展示了通过强化学习训练模型自主完成复杂任务的潜力。未来，随着技术的进一步发展和优化，AI Agent有望在更多领域发挥重要作用，成为人类在科研、商业等领域的得力助手。